[发明专利]一种面向社交网络的安全社区发现方法

说明书

一种面向社交网络的安全社区发现方法，包括：手动筛选社交网络上所关注网络安全领域的特定安全人员账号作为种子账号；采集种子账号的关联账号构成自我网络中的账号数据作为第一层数据集；对数据集中的文本数据进行预处理以及账号特征的提取，得到第二层数据集；判别账号是否属于安全账号，剔除非安全人员账号更新得到第三层数据集；以账号间的双向关系构建拓扑图并剪枝，得到包含网络结构的第四层数据集；进行局部网络的扩展，得到包含完整局部网络的第五层数据集；第五层数据集作为输入，利用社区发现模型进行安全社区的划分。本发明属于网络安全领域，能够从海量社交网络数据中准确且快速挖掘安全人员组成的社区。

技术领域

本发明属于网络安全领域，具体设计一种面向社交网络中安全社区的发现方法。

背景技术

在当今的网络格局中，对高级攻击或漏洞利用的防范手段日益困难。攻击者拥有大量的资金、精湛的技术和丰富的经验，他们不仅仅提高自身的攻击技术，还善于找到包括管理、人员等企业防护的薄弱环节。面对如此复杂的网络攻防现状，一种应对网络攻击的方式是关注社交网络中活跃的安全社区，并对其进行监视和了解，挖掘其内部生态的同时并对网络安全事件进行启发式地识别。社交网络逐渐成为人们进行日常社交活动不可或缺的一部分，其也吸引了大量活跃的黑客。

社交网络的数据规模庞大，涉及各行各业的用户，网络安全领域相关的账号仅占社交网络的少部分，而对安全社区这一结构化的数据进行发现则更为困难。通过人工手动分析社交网络上的黑客社区需要大量的时间以及专业背景，因此需要提出一种方法或工具对社交网络账号数据进行自动化的分析，发现其中隐藏的黑客社区。

目前研究社区发现的方法大致分为三类：传统方法、深度学习方法和基于图神经网络的社区发现方法。传统方法大多数基于统计推断和机器学习发展而来。与机器学习的方法相比，深度学习能够处理高维数据情形下的社区发现问题。然而，社区检测任务需要处理包含节点元素之间丰富的非欧几里得图数据，传统的深度学习模型则不能很好地处理。图神经网络作为用于处理图数据的神经网络，可用于弥补这一缺陷。

本发明通过社交网络上的同质性分析以批量获取潜在的安全账号，运用机器学习算法加以判别，使用图神经网络挖掘其中的隐式组织关系，实现社交网络上安全社区的发现。

发明内容

有鉴于此，本发明提供了一种针对社交网络中安全社区的发现方法，旨在挖掘社交网络上的安全社区，解决社交网络中安全社区发现难的问题。

一种针对社交网络中安全社区的发现方法，所述方法包括：

步骤 1：手动筛选社交网络上所关注网络安全领域的特定安全人员账号作为种子账号；

步骤2：利用单个种子账号的关联信息缩小采样范围，依据种子账号的关联账号构成自我网络，同时对自我网络中的账号数据进行采集作为第一层数据集；

步骤3：对第一层数据集中所有账号的文本数据进行预处理后，提取所有账号特征，得到包含所有账号的特征矩阵作为第二层数据集；

步骤4：使用基于改进后的GBDT模型对第二层数据集中的账号进行判别，剔除非安全人员账号，更新得到仅包含安全人员账号数据的第三层数据集；

步骤5：依据步骤4得到的第三层数据集中的安全人员账号作为节点，节点间的双向关注关系构建初始社交拓扑图，从不同的角度对网络结构间的关联进行建模，以此作为策略依据对边关系进行剪枝，得到包含初始社交拓扑图的第四层数据集；

步骤6：选取步骤5生成的第四层数据集进行局部网络的扩展，以度中心性作为基准选取候选迭代节点，得到包含完整局部网络结构的第五层数据集；

步骤7：根据第五层数据集中的节点特征矩阵和邻接矩阵，基于图神经网络构建下游的重叠社区发现任务，完成对安全社区的划分。

优选的，所述种子账号的筛选流程包括：

步骤1a：手动筛选社交网络上所关注网络安全领域的特定安全人员账号，方法包括：