تشخیص ناهنجاری ها در شبکه های اجتماعی پویا بر اساس سنجش رفتاری DOR:۲۰.۱۰۰۱.۱.۲۳۲۲۴۳۴۷.۱۴۰۰.۹.۱.۹.۶

Publish Year: 1400
نوع سند: مقاله ژورنالی
زبان: Persian
View: 508

This Paper With 10 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

JR_PADSA-9-1_009

تاریخ نمایه سازی: 22 اردیبهشت 1400

Abstract:

از آنجایی­ که شناسایی ناهنجاری در شبکه­های اجتماعی پویا، در یک دنباله­ای از گراف­ها در طول زمان صورت می­گیرد، علاوه بر چالش ذخیره سازی، فرآیند شناسایی به دلیل آهستگی تکامل گراف­ها دشوار است. چند گراف­ در بازه زمانی مشخص انتخاب می­گردد و با بررسی تغییرات این گراف­ها ناهنجاری احتمالی شناسایی می­گردد. بنابراین انتخاب تعداد گراف(نقاط زمانی) در دنباله گراف­ها به عنوان یک چالش مهم در شناسایی ناهنجاری­ها در شبکه­های اجتماعی پویاست در این مقاله روشی نوینی برای شناسایی ناهنجاری مبتنی بر داده­های ساختاری مستخرج از گراف پویای شبکه اجتماعی ارائه گردیده است. با استخراج شاخص­های مرکزیت از گراف شبکه و میانگین نرمال شده آن ها، معیار فعالیت برای هر فرد تعریف شده است. با گذر زمان، تغییرات معیار فعالیت برای هر فرد موردسنجش قرارگرفته و به عنوان امکان رفتار هنجار یا ناهنجار علامت گذاری می­گردد. درصورتی که شاخص سنجش رفتار فرد از آستانه معینی بیشتر گردید به عنوان ناهنجاری گزارش می­گردد. نتایج نشان داد که روش ارائه شده بر روی مجموعه داده VAST ۲۰۰۸ تعداد ناهنجاری بیشتری را با دقت ۲۹/۶۴ و فراخوان ۸۲/۸۱ یافته است. همچنین با انتخاب تعداد مختلف نقاط زمانی در دنباله گراف تعداد ناهنجاری بیشتری را شناسایی نموده است.

Authors

سعید قادری پیراقوم

گروه مهندسی کامپیوتر، دانشکده مهندسی، دانشگاه بوعلی سینا، همدان

مهدی سخائی نیا

گروه مهندسی کامپیوتر، دانشکده مهندسی، دانشگاه بوعلی سینا، همدان

محرم منصوری زاده

گروه مهندسی کامپیوتر، دانشکده مهندسی، دانشگاه بوعلی سینا، همدان

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :
  • Y. Liu and S. Chawla, “Social Media Anomaly Detection: Challenges ...
  • R. Yu, X. He, and Y. Liu, “Glad: Group Anomaly ...
  • G. Shahmohammadi and S. Kamalizadeh, “Providing a Method for Identifying ...
  • V. Chandola, A. Banerjee, and V. Kumar, “Anomaly Detection: A ...
  • M. E. Newman, D. J. Watts, and S. H. Strogatz, ...
  • L. Akoglu, H. Tong, and D. Koutra, “Graph Based Anomaly ...
  • M. Zamini and S. M. H. Hasheminejad, “A Comprehensive Survey ...
  • S. Ranshous, S. Shen, D. Koutra, S. Harenberg, C. Faloutsos, ...
  • R. Hassanzadeh, R. Nayak, and D. Stebila, “Analyzing the Effectiveness ...
  • K. Das, S. Samanta, and M. Pal, “Study on Centrality ...
  • F. Riquelme, P. Gonzalez-Cantergiani, X. Molinero, and M. Serna, “Centrality ...
  • M. Z. Al-Taie and S. Kadry, Python for Graph and ...
  • A. Hagberg, D. Schult, and P. Swart, “NetworkX Reference, Release ...
  • M. Mirzaee and A. Mahabadi, “Anomaly Detection Method in Attributed ...
  • N. A. Heard, D. J. Weston, K. Platanioti, and D. ...
  • M. G. Vigliotti and C. Hankin, “Discovery of anomalous behaviour ...
  • V. K. Giri and S. Sachdeva, “Anomaly Detection in Social ...
  • R. Kaur and S. Singh, ”A Comparative Analysis of Structural ...
  • نمایش کامل مراجع