基于大数据的社交网络用户异常检测生物智能算法与系统研究

The social network (SN) is one of the major network carriers with many users nowadays. It is of vital importance to improve the safety of network for users. This project will investigate the solution with the theories and models from the computational intelligence (CI). First, a new security framework with adaptive scheme will be constructed by swarm intelligence and self-organised self learning theory, the features extraction will be carried out via the intelligent particle swarm optimization, which is characterised with classification capability, it can combine the classification outcome and the personalised behaviors, and enable the further analysis of their correlation and hidden order, the findings will enable the new learning algorithm to identify the anomalies for personal behaviors. Second, we will construct an scalable incremental learning model, which can help analyse the network traffic as well as the behaviors, this learning model will be integrated into the distributed IDS system, in order to detect the anomaly in the social network; Finally, we will integrate the intelligent algorithm into the related IDS system, so as to find the possible solution for the personalised security system. The research findings for this project will not only provide theoretical value and practical guidance, but also produce rich experimental data for further theory development for system safety protection and service recovery of the large-scale networks.

社交网络是人们网络活动的主要载体之一，提升社交网络的安全性是保障用户上网安全的重要途径。本项目着重研究能有效解决该问题的智能计算理论与方法。项目首先采用集群智慧生物特征和生物自组织自学习理论构建一个新的网络安全自保护机制，利用分层并行智能粒子群分类方法获取网络攻击的特征，并将其分类结果与个人行为习惯相结合，研究它们之间的相关性与潜在规律，建立基于网络大数据的个人行为异常检测智能学习新算法；然后，构建可扩展的生物实时增益学习模型，在该模型上分析研究基于嵌套马氏过程的网络流量及其行为，设计分层结构的分散式入侵检测（IDS）系统，以检测社交网络安全上的异常；最后，将其智能新算法与相关的IDS系统相结合，用以获得针对社交网络安全性问题的个性化解决方案。本项目的研究成果不仅对提升社交网络的安全性具有重要的理论价值与实践指导意义，而且也能对大规模网络系统的安全防护与服务恢复提供丰富的实验数据和理论参考

随着“互联网+”概念的普及，社会信息化程度逐步的加深，作为信息化平台之一的网络社交媒体（如微信，QQ空间，微博，推特Twitter，脸书Facebook等）也随之蓬勃地发展起来。使用社交网络成为了人们日常必不可少的生活方式。然而在社交网络中反应出来的异常可以为大数据分析提供有效的补充。 该项目主要研究个人在某一时刻的行为与其本人通常情况下行为的差别。即个人某个时间点的行为与其一贯表现之间的差别。基于网络状况的熟悉程度，利用环境相关信息衍生出了其他一些相关的研究解决方案如情境感知，与之不同的是我们的解决方案是基于生物的分类算法和深度学习理论的全新网络安全机制的深层次研究。研究成果重点解决了以下问题：.1、目前的IDS异常检测系统考虑相对静态的网络数据，推理引擎的结果因此受到局限。对于新的攻击类型与异常不能有效的甄别。 当前大数据技术的发展为解决在动态，多维，异构的数据环境下研究和设计新的IDS异常检测系统创造了条件。.2、移动云计算环境下的异常检测系统仅局限于安全架构的设计，对于网络中的具体的异常行为动态检测缺乏行之有效的解决方案。.3、具有大规模状态空间或较多学习参数的复杂问题，生物学习算法的可扩展性和学习速度远远达不到应用的要求；生物算法初始阶段收敛速度快，但是趋向饱和，容易陷入局部最优，难以确保全局最优。.4、探讨了利用深度学习的新理论提高现有检测系统的智能程度，以及有效性能和可靠性。..同时掌握了对于社交网络数据的整理、获取与清洗。掌握了新的基于生物机制的算法用于异常检测优化模型。以上所有数据的获取对进一步扩展与完善社交网络异常系统，开发新的异常检测技术具有重要的理论价值与实用意义。