社交网络中的恶意消息源检测方法研究.pdfVIP

摘要

当前，众多开放社交媒体应用的普及使得信息产生与传播速度十分迅猛，但也

导致了很多各类谣言、虚假新闻等恶意消息的肆意传播，给我们国家和社会稳定带

来了挑战。对社交网络中的恶意消息源账号进行定位检测，力求在谣言传播早期减

少网络恶意信息的危害，对提升国家社会治理水平具有十分重要的意义。

现有恶意消息源检测方法一般是在各种模拟规定的扩散模式下，利用确定性

算法定位扩散源。然而，现有方法在实际应用中存在两方面问题：一是用于源检测

的消息扩散模型依靠的是快照观测的不完整信息级联数据，因而无法预测到某些

未观测到的信息传播路径或节点；二是恶意消息源检测存在源求解的多解性，即同

一社交网络结构下不同的源节点可能导致同一扩散分布状态的问题，现有方法仍

然缺乏构建足够的模型来确定源的求解。针对上述问题，本文研究观测数据不完整

条件下的消息扩散建模和恶意消息源检测问题，主要贡献概括为如下两方面：

（1）提出了一种在观测数据不完整条件下的消息传播扩散建模方法。该方法

首先将网络结构及节点间的影响关系构建为用户的特征输入向量，然后利用图神

经网络层聚合相关邻居节点特征，实现节点之间的关系和全局结构的捕捉，最后通

过扩散传播动力学将节点估计迭代传播到邻居节点，以获得完整的信息传播级联。

通过实验证明，该方法在观测数据不完整条件下也能取得良好的信息扩散效果，级

联完整度达到88.79%。

（2）提出了一种基于可逆消息传播扩散模型的恶意消息源检测方法。该方法

首先基于残差网络结构方式对传播扩散模型进行设计，并在神经网络可逆性原理

的基础上，对正向模型添加Lipschitz范数约束，使模型理论上可逆。然后，通过

定点迭代求解指定观测网络状态下的源向量估计。最后，使用三种节点中心性源估

计算法综合约束源节点的选择，实现准确推断消息发布源节点用户。通过实验证明，

该方法恶意消息源检测平均误差距离为0.68跳，低于现有的消息源识别方法，证

明了本文方法的有效性。

关键词：社交网络，消息源检测，消息扩散建模，可逆神经网络，Lipschitz约束

ABSTRACT

Atpresent,thewidespreadadoptionofopensocialmediaapplicationshasledto

rapidinformationgenerationanddissemination,which,inturn,hasfacilitatedthe

rampantspreadofvariousmaliciousmessagessuchasrumorsandfakenews,posing

challengestonationalandsocietalstability.Thedetectionandlocalizationofthesources

ofmaliciousmessagesinsocialnetworks,aimedatmitigatingtheharmofsuch

informationattheearlystagesofitsspread,arecrucialforenhancingnationalandsocietal

governance.

Existingmethodsfordetectingsourcesofmaliciousmessagesgenerallyinvolve

usingdeterministicalgorithmstolocatethesourcesundervariouspredefineddiffusion

models.However,thesemethodsfacetwomainissuesinpracticalapplications:first,the

diffusionmodelsusedforsourcedetectionrelyonincompletecascadedatafromsnapshot

observations,makingitimpossibletopredictsomeunobs