مروری بر روش های تشخیص ناهنجاری مبتنی برگراف در شبکه های اجتماعی

سال انتشار: 1398
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 542

فایل این مقاله در 13 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_SAPD-10-3_001

تاریخ نمایه سازی: 24 تیر 1399

چکیده مقاله:

استفاده از شبکه های اجتماعی برای برقراری ارتباط و اشتراک­ گذاری اطلاعات رشد چشم­گیری در سال­های اخیر داشته و در اکثر حوزه­های آموزش، کسب و کار، سلامت و سرگرمی کاربرد دارند. حجم زیاد اطلاعات با ارزش در شبکه­های اجتماعی آن ها را هدف اصلی کاربران مخرب همچون هرزنامه­نویس­ها و کلاه برداران برای انجام فعالیت­های ناهنجار و غیرقانونی قرار داده است. رفتار نامتعارف و دور از انتظار این کاربران با استفاده از روش­های تشخیص ناهنجاری شناسایی می­شود. تشخیص ناهنجاری اهمیت بسزایی در جلوگیری از کلاه­برداری، انتشار اطلاعات تقلبی و سازمان­دهی حملات در این شبکه­ ها دارد. ناهنجاری­ها ایستا یا پویا و با ویژگی یا بدون ویژگی هستند. در این مقاله روش­های مختلف توسعه یافته برای تشخیص انواع ناهنجاری در شبکه­ های اجتماعی مورد بررسی و دسته­بندی قرار گرفته­ و مروری بر تشخیص ناهنجاری، کاربردهای آن، چالش­های موجود و موضوعات کلیدی برای پژوهش­های آینده ارائه شده است.

کلیدواژه ها:

شبکه های اجتماعی ، تشخیص ناهنجاری ، تحلیل شبکه های اجتماعی

نویسندگان

میثم میرزایی

دانشگاه امام حسین (ع)

امین اله مهابادی

دانشگاه شاهد

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • بسطامی، اسماعیل، جوادزاده، محمدعلی، تحلیل مرکزیت شبکه های اجتماعی در ...
  • Z. Papacharissi, Community, and Culture on Social Network Sites, A ...
  • Worldwide Social Networks Users, eMarketer, 2017. ...
  • X. Ying, X. Wu, and D. Barbara, Spectrum based fraud ...
  • M. Fire, G. Katz, and Y. Elovici, Strangers intrusion detection-detecting ...
  • D. H. Chau, S. Pandit, and C. Faloutsos, Detecting fraudulent ...
  • D. Toshniwal and S.Yadav, Adaptive Outlier Detection in Streaming Time ...
  • V. Chandola, A. Banerjee, and V. Kumar, Anomaly detection: A ...
  • V. Barnett and T. Lewis, Outliers in Statistical Data, 3rd ...
  • V. Hodge and J. Austin, A survey of outlier detection ...
  • V. Chandola, Anomaly detection for symbolic sequences and time series ...
  • R. Hassanzadeh, R. Nayak, and D. Stebila, Analyzing the Effectivenees ...
  • M. E. Newman, D. J. Watts, and S. H. Strogatz, ...
  • R. Yu, X. He, and Y. Liu, Glad: group anomaly ...
  • Y. Chen and B. Malin, Detection of anomalous insiders in ...
  • Y. Chen, S. Nyemba, and B. Malin, Auditing medical records ...
  • Y. Chen, S. Nyemba, W. Zhang, and B. Malin, Specializing ...
  • N. Jindal, B. Liu, and E. P. Lim, Finding unusual ...
  • R. Kaur and S. Singh, A survey of data mining ...
  • D. Savage, X. Zhang, X. Yu, P. Chou, and Q. ...
  • Z. Chen, W. Hendrix, and N. F. Samatova, Community-based anomaly ...
  • N. A. Heard, D. J. Weston, K. Platanioti, D. J. ...
  • S. Pandit, D. Chau, S. Wang, and C. Faloutsos   ...
  • L. Akoglu, M. McGlohon, and C. Faloutsos, Anomaly Detection in ...
  • F. Y. Edgeworth, On discordant observations, Philosophical Magazine, pp. 364-375, ...
  • N. Shrivastava, A. Majumder, and R. Rastogi, Mining (social) network ...
  • L. Akoglu, M. McGlohon, and C. Faloutsos, Oddball: spotting anomalies ...
  • M. A. Doostari, R. Zeinali, H. Lashkari, and M. Ajamzamani, ...
  • R. Hassanzadeh and R. Nayak, A semi-supervised         graph-based algorithm for ...
  • S. Y. Bhat and M. Abulaish, Communities Against Deception in ...
  • M. Abulaish and S. Y. Bhat, A densitybased based approach ...
  • D. Chakrabarti, Autopart: parameter-free graph partitioning and outlier detection, 8th European ...
  • X. Xu, N. Yuruk, Z. Feng, and T. A. Schweiger, ...
  • H. Sun, J. Huang, J. Han, H. Deng, and P. ...
  • H. Tong and C. Y. Lin, Non-Negative Residual Matrix Factorization ...
  • B. Miller, N. Bliss, and P. J. Wolfe, Subgraph detection ...
  • B. Miller, M. S. Beard, N. T. Bliss, and Others, ...
  • B. Miller, M. Beard, P. Wolfe, and N. Bliss, A ...
  • C. C. Noble and D. J. Cook, Graph-based anomaly detection, ...
  • L. B. Holder, D. J. Cook, S. DjokO, et al, ...
  • W. Eberle and L. Holder, Anomaly detection in data represented ...
  • M. Davis, W. Liu, P. Miller, and G. Redpath, Detecting ...
  • M. Gupta, A. Mallya, S. Roy, J. Cho, and J. ...
  • J. Li, H. Dani, X. Hu, and H. Liu, Radar: ...
  • X. Hu, J. Tang, Y. Zhang, and H. Liu, Social ...
  • X. He, D. Cai and P. Niyogi, Laplacian Score for ...
  • L. Ghanoui, G. Li, V. Duong, V. Pham, and Srivasta, ...
  • J. Gao, F. Liang, W. Fan, C. Wang, and Y. ...
  • T. Ji, J. Gao, and D. Yang, A Scalable Algorithm ...
  • E. Müller, P. I. Sánchez , Y. Mülle, and K. ...
  • P. I. Sánchez, E. Müller, F. Laforet, and F. Keller, ...
  • P. I. Sánchez, E. Müller, O. Irmler, and K. Böhm, ...
  • W. Yang, G. W. Shen, W. Wang, L. Y. Gong, ...
  • M. A. Prado-Romero and A. Gago-Alonso, Community Feature Selection for ...
  • V. D. Blondel, J. Guillaume, R. Lambiotte, and Lef, Fast ...
  • L. Akoglu and C. Faloutsos, Event detection in time series ...
  • D. Koutra, E. E. Papalexakis, and C. Faloutsos, Tensorsplat: Spotting ...
  • W. Yu, C. C. Aggarwal, S. Ma, and h. Wang, ...
  • M. Gupta, J. Gao, Y. Sun, and J. Han, Integrating ...
  • T. Ji, D. Yang, and J. Gao, Incremental local evolutionary ...
  • M. Mongiovi, P. Bogdanov, R. Ranca, E. E. Papalexakis, C. ...
  • Z. Huang and D. D. Zeng, A link prediction approach ...
  • B. Thompson and T. Eliassi-Rad, Discovery and analysis of patterns ...
  • E. E. Papalexakis, C. Faloutsos, and N. Sidiropoulos, Parcube: Sparse ...
  • Y. Yasami and F. Safaei, A statistical infinite feature cascade-based ...
  • J. Van Gae, L. J. The, and Z. Ghahramani, The ...
  • P. V. Bindu and T. Santhi, Mining Social Networks for ...
  • X. H. Dang, I. Assent, R. T. Ng, A. ZimekSchub, ...
  • نمایش کامل مراجع