《電子技術應用》
您所在的位置：首頁 > 通信與網(wǎng)絡 > 設計應用 > 一種基于網(wǎng)絡表示學習的網(wǎng)絡安全用戶發(fā)現(xiàn)方法
一種基于網(wǎng)絡表示學習的網(wǎng)絡安全用戶發(fā)現(xiàn)方法
網(wǎng)絡安全與數(shù)據(jù)治理 2022年 第1期
劉向宇，燕 瑋，孟星妤，侯開茂
(華北計算機系統(tǒng)工程研究所，北京100083)
摘要： 發(fā)現(xiàn)社交媒體中的網(wǎng)絡安全用戶對于追蹤網(wǎng)絡安全動態(tài)有重要意義，針對這一特定領域用戶的發(fā)現(xiàn)，提出了一種新的發(fā)現(xiàn)方法。首先利用社交媒體節(jié)點間的相互關注關系建立有向關系網(wǎng)絡，然后用網(wǎng)絡表示學習模型Node2vec生成節(jié)點的向量表示，并將收集到的網(wǎng)絡安全關鍵字轉(zhuǎn)化為特征向量，拼接后輸入分類算法進行預測。實驗結果表明，在社交媒體網(wǎng)絡安全數(shù)據(jù)集上，所提方法的預測準確率優(yōu)于現(xiàn)有的其他特定領域用戶發(fā)現(xiàn)算法。
中圖分類號： TP181
文獻標識碼： A
DOI： 10.20044/j.csdg.2097-1788.2022.01.012
引用格式： 劉向宇，燕瑋，孟星妤，等. 一種基于網(wǎng)絡表示學習的網(wǎng)絡安全用戶發(fā)現(xiàn)方法[J].網(wǎng)絡安全與數(shù)據(jù)治理，2022，41(1)：78-82.
A method of finding cyber security user based on network representation learning
Liu Xiangyu，Yan Wei, Meng Xingyu，Hou Kaimao
(National Computer System Engineering Research Institute of China，Beijing 100083，China)
Abstract： Finding cyber security users in social media is quite important to track network security trends. This paper proposes a method to find users of specific areas. Firstly, a directed network is established by using the mutual attention relationship between social media nodes. Then network representation learning model Node2vec is used to generate the feature vectors of social network nodes. We change the key words collected from blogs and profiles into cyber security feature vectors . Finally, the concatenated two vectors are input into binary classifier to find the cyber security users. Experimental results show that the prediction precision of the proposed method is better than other existing domain specific user discovery algorithms on social media network security data sets.
Key words : cyber security；Node2vec；social media；binary classification；self training

0 引言

發(fā)現(xiàn)社交媒體中的網(wǎng)絡安全用戶可以有效追蹤網(wǎng)絡安全動態(tài)，對網(wǎng)絡安全防護具有重要意義。實際上，識別社交網(wǎng)絡中的網(wǎng)絡安全用戶也是對社交網(wǎng)絡節(jié)點進行分類發(fā)現(xiàn)。

現(xiàn)實生活中，人們傾向于與類似的人發(fā)展社會關系，所以社交用戶的好友會分享更多的屬性，如種族、民族、宗教和職業(yè)——這就是所謂的“同質(zhì)性原則”[1]。這導致了在Twitter上相互關注的人通常有共同的話題興趣，可以通過相互關注關系來推斷社交媒體用戶的屬性。另外，社交用戶還具備其他可以獲取的數(shù)據(jù)，如社交文本和用戶資料，這些資料構成新的用戶屬性，也有助于推斷用戶的興趣或者職業(yè)，與用戶的社交關系形成互補。

當前已經(jīng)有大量的用戶分類工作都是基于網(wǎng)絡拓撲結構進行節(jié)點的分類。比如，網(wǎng)絡表示學習方法直接對網(wǎng)絡結構特征進行學習提取，將得到的特征用于分類可以取得不錯的效果。然而，現(xiàn)有的網(wǎng)絡表示學習方法缺乏對社交文本和社交基本資料特征的學習，極大地限制了其分類效果。相對于單純利用社交網(wǎng)絡結構對用戶進行分類，當前主流的圖神經(jīng)網(wǎng)絡算法創(chuàng)新性地融入了網(wǎng)絡節(jié)點的其他屬性特征，獲得了更高的分類準確率。本文針對網(wǎng)絡表示學習方法缺乏社交文本特征的問題，通過改進Node2vec[2]方法，使其融合多種網(wǎng)絡屬性特征而更加有利于分類，從而識別出社交媒體中的網(wǎng)絡安全用戶。

本文的創(chuàng)新性工作包括：

(1)利用網(wǎng)絡表示學習模型Node2vec來進行網(wǎng)絡節(jié)點的特征表示，將結構特征向量和相應用戶節(jié)點的文本特征向量進行拼接，形成社交用戶節(jié)點的向量表示。

(2)標注了部分網(wǎng)絡安全用戶，初步形成網(wǎng)絡安全用戶資料庫。對于每個用戶節(jié)點，生成其網(wǎng)絡安全文本特征。

(3)利用自監(jiān)督學習方法進行分類模型的訓練樣本擴充，提升了分類效果。

結果表明，在已經(jīng)收集的Twitter數(shù)據(jù)集上，所提方法的平均識別準確率為96.37%，比現(xiàn)有常用的算法平均高出0.48%～3.67%。




本文詳細內(nèi)容請下載：http://ihrv.cn/resource/share/2000004615




作者信息：

劉向宇，燕  瑋，孟星妤，侯開茂

(華北計算機系統(tǒng)工程研究所，北京100083)


此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權禁止轉(zhuǎn)載。