دانلود ترجمه مقاله روش های شناسایی ناهنجاری در شبکه های اجتماعی آنلاین

1. مقدمه 2. رویکرد مبتنی بر رفتار 3. رویکرد مبتنی بر ساختار 4. نتیجه‌گیری

نتیجه گیری: ما در این مقاله به بررسی تعدادی از راه‌حل‌های تشخیص ناهنجاری در شبکه‌های اجتماعی آنلاین پرداخته‌ایم (تعداد این راه‌حل‌ها در حال افزایش است). روش‌های موجود می‌توانند به صورت روش‌های مبتنی بر ساختار و مبتنی بر رفتار مشخص شوند. در روش مبتنی بر ساختار، نوع خاصی از ساختار شبکه مورد بحث قرار می‌گیرد که نشانه‌ای از رفتار ناهنجار است. به عنوان مثال، Srivastava و همکارانش ساختاری مانند ستاره را به عنوان نشانه‌ای از رفتار ناهنجار در نظر گرفته‌اند، در حالی که Akoglu ساختارهایی نزدیک به ستاره و نزدیک به گروه‌ها را به عنوان یک نشانه‌ی رفتار مخرب در شبکه‌ی اجتماعی آنلاین در نظر گرفته است. روش مبتنی بر رفتار بر اساس رفتار کاربر در شبکه‌ی اجتماعی است، مانند تشخیص ناهنجاری در گروه بر اساس رفتار کاربر (Dosstari و همکارانش [5]) و روش مبتنی بر PCA که از ثبت وقایع فعالیت کاربران برای تشخیص ناهنجاری‌ها در شبکه‌ی اجتماعی آنلاین استفاده می‌کند (Viswanath و همکارانش [10]). کارهای کمی در این حوزه انجام شده است، فقدان مقالات به وضوح نشان‌دهنده‌ی مشکلاتی است که در این زمینه ایجاد می‌شود. در آینده‌ی نزدیک، نیازها برای تشخیص ناهنجاری در شبکه‌های اجتماعی به علت حجم زیاد داده‌ها افزایش خواهد یافت و رفتارهایی باید در نظر گرفته شوند که روز به روز پیچیده‌تر می‌شوند. ما می‌توانیم چندین روش تشخیص را بر روی ویژگی‌های متعدد گراف اعمال کنیم، به گونه‌ای که شناسایی پیوندهای هسته بین رفتارهای واقعی موردنظر ممکن باشد و موجب ایجاد تغییرات در ویژگی‌های شبکه شده، و ویژگی‌هایی را تعیین نمود که تفاوت میان رفتارهای مخرب و عادی را به وضوح مشخص می‌کنند. تشخیص ناهنجاری در شبکه اجتماعی آنلاین یک وظیفه‌ی چالش‌برانگیز است. برخی از چالش‌های اصلی که ما مورد بحث قرار داده‌ایم، انتخاب ویژگی‌های مناسبی است که رفتار عادی یک کاربر در شبکه‌ی اجتماعی را برای تشخیص ناهنجاری تعریف کنند. انتخاب بهترین ویژگی بسیار مهم است، بهترین ویژگی که رفتار عادی کاربر را در محیط شبکه اجتماعی آنلاین توصیف می‌کند. چالش اصلی دیگر برای تشخیص ناهنجاری‌ها در شبکه‌ی اجتماعی آنلاین، ارزیابی و مقایسه‌ی روش‌های متفاوت است. بسیاری از رویکردها با در نظر گرفتن دامنه‌هایی با مسائل خاص و قالب‌های داده‌ای خاص توسعه داده شده‌اند. علاوه بر این، کمبود در مجموعه‌دادگانی است که توسط متخصصان در این زمینه به طور دستی تهیه شده و در دسترس عموم قرار گرفته‌اند.

CONCLUSION: In this paper, we have reviewed a small but growing number of solutions to detecting anomalies in online social networks. Existing methods can be characterized as structure and behavior-based techniques. In structure-based technique special type of network structure which is an indication of abnormal behavior is discussed. For example, Srivastava et al., has taken star like structure as an indication of abnormal behavior while Akoglu has taken near-star and near-cliques as an indication of malicious behavior in online social network. Behavioral based technique is based on the user behavior in social network such as anomaly detection in clique based on user behavior (Dosstari et al. [5]) and PCA based method which uses activity log of users to detect anomalies in online social network (Viswanath et al. [10]). A little work has been done in this area so, lack of papers clearly describes the difficulty arises in this field. In near future, requirements for anomaly detection in social networks will be advance due to larger volumes of data and increasingly complex behaviors will be taken into consideration. We can apply multiple detection techniques across numerous graph properties, so, that it may be possible to identify core links between the actual behaviors of interest and resulting changes in network properties, and to determine features that clearly differentiate malicious and normal behaviors. Anomaly detection in online social network is a challenging task. Some major challenges we have discussed are the selection of suitable feature that define the normal behavior of a user in social network for anomaly detection. It is very important to choose best feature which describes the normal user behavior in online social network environment. Another major challenge for detecting anomalies in online social network is the evaluation and comparison of different methods. Many existing approaches have been developed with specific problem domains and data formats in mind. Moreover, there is a lack of publicly available data sets with known ground truths.

بخشی از ترجمه مقاله (صفحه 8 فایل ورد ترجمه)