[发明专利]一种基于图神经网络的异构图中社交机器人检测方法

说明书

本发明公开了一种基于图神经网络的异构图中社交机器人检测方法，包括：S1、社交网络异构图处理：获取社交网络异构图，将社交网络异构图进行图神经网络处理，获得训练集；S2、社交网络社区分类：使用多重随机投影树算法，用索引对最近邻进行近似搜索将获得的训练集进行分类；S3、社交网络节点预测：根据训练集分类出的社区，当所预测节点属于社交机器人社区，判定该账户属于社交机器人。本发明关注社交网络中各个节点的社交关系及社交网络节点间的交互关系，使得获得相关社交网络节点信息更多，能更加精确的对社交网络节点进行分类，能发现行为更加接近人类的社交机器人。

技术领域

本发明涉及计算机网络空间安全领域，具体为一种基于图神经网络的异构图中社交机器人检测方法。

背景技术

僵尸网络是网络安全领域的重大威胁，攻击者可以利用僵尸网络对OSN进行操控滥用。如发送垃圾邮件，最令人担忧的是选择性曝光现象及其对公众舆论的可能影响，这是目前科学界正在调查的一个关键问题，近年来，僵尸网络被用作大规模分享错误信息的武器，以此来影响我们访问和理解信息，物联网僵尸网络愈发猖獗。

社交机器人是攻击者实施恶意活动的基础，目前有不少研究致力于检测社交机器人。许多研究通过分析社交网络中的社交关系发现社交机器人。一些工作通过帐户的交互序列构建表示，创建用户的指纹来发现僵尸网络账号，一些工作利用基于特征工程的随机森林分类器对用户配置文件特征、推文内容和网络上的用户交互进行分析。典型工作包括Honeypot，Botometer，Social fingerprinting，HoloScope、RTbust。一些工作专注于对单一社交网络分析。这些工作认为社交机器人的行为特点与正常人类账号有区别，通过分析账号的社交关系来发现社交机器人，如Bot2vec通过分析账号的社交关系以及所在社交社区来检测是否是僵尸账。除了分析主机行为外，还有一些工作基于用户行为检测：用户发布、转发、基于挖掘方法的检测方案：定义行为模式以检测异常行为，用于监控用户活动以检测威胁的控制系统，利用遗传过程挖掘在社会网络网站中找到合适模型的思想。

然而，大多数现有技术只能检测出最基本的垃圾邮件发送者或者只考虑的社交网络关系，这使得他们很难发现现有的行为更加接近人类的社交机器人。此外，许多工作很难平衡资源耗费和检测效果，无法部署在资源受限的物联网上。

发明内容

为了解决背景技术中存在的问题，针对现有技术很难发现更好模仿人类、行为更加接近人类的社交机器人，本发明提出一种基于图神经网络的异构图中社交机器人检测方法。

本发明提供如下技术方案：一种基于图神经网络的异构图中社交机器人检测方法，包括：

S1、社交网络异构图处理：获取社交网络异构图，将社交网络异构图进行图神经网络处理，获得训练集，训练集包括节点特征向量；

S2、社交网络社区分类：使用多重随机投影树算法，用索引对最近邻进行近似搜索将获得的训练集进行分类；

S3、社交网络节点预测：根据训练集分类出的社区，当所预测节点属于社交机器人社区，判定该账户属于社交机器人。

对于社交网络异构图来说节点属性不同特征向量维度也会不同，也不属于同一特征空间，将不同社交网络类型节点的特征映射到同一个隐层的向量空间中。

优选地，社交网络异构图处理具体步骤为：

步骤S101、社交网络节点内容转换：对于类别为A的节点，A∈GC，GC为社交网络节点类型集合，社交网络节点v∈VA，进行转换：其中是原始的特征向量，是映射后的社交网络节点v的特征向量，是对于为A类型社交网络节点的参数化权重矩阵；