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

از آنجایی که شناسایی ناهنجاری در شبکه های اجتماعی پویا، در یک دنباله ای از گراف ها در طول زمان صورت می گیرد، علاوه بر چالش ذخیره‌سازی، فرآیند شناسایی به دلیل آهستگی تکامل گراف ها دشوار است. چند گراف در بازه زمانی مشخص انتخاب می گردد و با بررسی تغییرات این گراف ها ناهنجاری احتمالی شناسایی می گردد. بنابراین انتخاب تعداد گراف(نقاط زمانی) در دنباله گراف ها به‌عنوان یک چالش مهم در شناسایی ناهنجاری ها در شبکه های اجتماعی پویاست در این مقاله روشی نوینی برای شناسایی ناهنجاری مبتنی بر داده های ساختاری مستخرج از گراف پویای شبکه اجتماعی ارائه گردیده است. با استخراج شاخص های مرکزیت از گراف شبکه و میانگین نرمال شده آن‌ها، معیار فعالیت برای هر فرد تعریف‌شده است. با گذر زمان، تغییرات معیار فعالیت برای هر فرد موردسنجش قرارگرفته و به‌عنوان امکان رفتار هنجار یا ناهنجار علامت‌گذاری می گردد. درصورتی‌که شاخص سنجش رفتار فرد از آستانه معینی بیشتر گردید به‌عنوان ناهنجاری گزارش می گردد. نتایج نشان داد که روش ارائه‌شده بر روی مجموعه داده vast 2008 تعداد ناهنجاری بیشتری را با دقت 64.29 و فراخوان 81.82 یافته است. همچنین با انتخاب تعداد مختلف نقاط زمانی در دنباله گراف تعداد ناهنجاری بیشتری را شناسایی نموده است.

Anomaly Detection in Dynamic Social Networks Based on Behavioral Measurements

Since the detection of anomalies in dynamic social networks takes place in a sequence of graphs over time, in addition to the storage management challenge, the detection process is difficult due to the slow evolution of graphs. A number of graphs are selected in the specified time frame, and by examining the changes of these graphs, the possible anomalies are detected. Therefore, choosing the number of time points (graphs) in the sequence of graphs is an important challenge in the detection of anomalies. In this paper, a novel method is proposed to detect anomalies based on structural data extracted from dynamic social network graphs. By extracting the centrality indicators from the network graph and their normalized mean, the    activity criterion for each individual has been defined. Over time, changes in the activity criterion for each individual are measured and marked as the possibility of normal or abnormal behavior. If the individual’s behavior measure exceeds a certain threshold, it is reported as an anomaly. The results show that the     proposed method detects more anomalies with the accuracy and recall of 64.29 and 81.82 respectively, for the VAST 2008 data set. It also, detects more anomalies by selecting different number of time points in the graph sequence.