基于纵向联邦学习的社交网络跨平台恶意用户检测方法 |
| |
引用本文: | 卫新乐,张志勇,宋斌,毛岳恒,班爱莹.基于纵向联邦学习的社交网络跨平台恶意用户检测方法[J].小型微型计算机系统,2022(7):1541-1546. |
| |
作者姓名: | 卫新乐 张志勇 宋斌 毛岳恒 班爱莹 |
| |
基金项目: | 国家自然科学基金项目(61972133)资助;;河南省重点科技攻关项目(192102210130,202102210162)资助;;河南省高等学校重点科研项目(19B520008)资助; |
| |
摘 要: | 近年来,在线社交网络恶意用户呈现出分散性、潜伏性、复杂性等特征,如何在保障普通用户数据隐私的前提下,融合多方数据进行建模分析,实现对恶意用户的精确检测成为研究人员关注的焦点.本文提出了一种基于纵向联邦学习的社交网络跨平台恶意用户检测方案.首先,通过对多源异构数据进行预处理,采用加密样本对齐和加密模型训练方法,构建了基于纵向联邦学习的跨平台恶意用户检测层次化架构;其次,对安全联邦提升树算法进行分析和改进,提出了一种面向多方隐私保护的恶意用户检测算法;最后,基于现实社交网络平台实验研究分析,所提出的方案不仅具有安全性,而且模型算法相较于其他两个基线模型,准确率分别提升了14.03%和1.918%.
|
关 键 词: | 在线社交网络 隐私保护 联邦学习 恶意用户 |
|
|