دنا: استفاده از اهداف شبکه اجتماعی و یادگیری ماشین به منظور تشخیص حساب‌های جعلی و بهبود امنیت شبکه‌های اجتماعی

امروزه همگام با فراگیر شدن شبکه‌های اجتماعی، امنیت این محیط یکی از مسائل مهم و پراهمیت تلقی می‌شود. یکی از چالش‌های امنیتی، ایجاد حساب‌های کاربری جعلی است که موجب آزار و اذیت کاربران شبکه‌های اجتماعی می‌شود. صاحبان این حساب‌های جعلی، اهدافی مانند ایجاد لایک و دنبال‌کننده و یا توزیع اطلاعات غلط با اهداف سیاسی، فرهنگی و اقتصادی را دنبال می‌کنند. در این پژوهش، با هدف بهبود امنیت در شبکه‌های اجتماعی و ارتقای امنیت فضای سایبری، روشی برای بررسی و تشخیص حساب‌های جعلی ارائه خواهد شد. روش پیشنهادی به نام «دنا»، از یک جهت از اهداف شبکه اجتماعی و از طرف دیگر از روش الگوریتم ترکیبی با درخت تصمیم، نزدیک‌ترین همسایه و بیز بهره خواهد گرفت. نتایج از اجرای روش پیشنهادی با الگوریتم ترکیبی، میزان صحت 95/34 درصد را نشان می‌دهد. پایداری و نداشتن overfit از دیگر ویژگی‌های روش پیشنهادی است که در قسمت نتایج اثبات شده است. نتایج این تحقیق می‌تواند در ارائه‌ی راهکارهای پیشگیری از ایجاد حساب‌های جعلی و افزایش امنیت آن به کار رود و منجر به شناخت و بهره‌گیری از تکنیک‌های جدید داده‌کاوی در شبکه‌های اجتماعی گردد و در حوزه‌ی تحلیل داده و داده‌کاوی در شبکه‌های اجتماعی مورد استفاده قرار گیرد.

the enhancement of online social network security by detecting and preventing fake accounts through machine learning

today, with the pervasiveness of social networks, the security of this environment is considered as one of the most important network issues. one of the security challenges is creating fake accounts that harass social media users. the owners of these fake accounts pursue goals such as creating likes and followers or distributing misinformation for political, cultural and economic purposes. in this study, with the aim of improving security in social networks and improving the security of cyberspace, a method for investigating and detecting fake accounts is presented. this method proposes an algorithm that combines the decision tree, the nearest neighbor and bayes methods. the results of this combined algorithm demonstrate an accuracy of 95.34%. this method has stability and does not suffer from overfit, as proved in the conclusion. the results of this research can be used to provide solutions to prevent the creation of fake accounts and increase account security and lead to the recognition and use of new data mining techniques and also data analysis in social networks. one of the achievements of this research is the method of detecting the falsity of the account and identifying the factors affecting its detection, which has been done using a hybrid algorithm that obtains correct results.