روش تشخیص رفتار ناهنجار توزیع شده در پلتفرم های اجتماعی مختلف

یک مقاله کاربردی برای شناسایی آنومالی در پلتفرم های مختلف را در ادامه تقدیم شما خواهیم کرد:

عنوان: A cross-social platform distributed anomaly behavior detection method (FLAD)
نویسندگان: Ling Xing, Shiyu Li, Honghai Wu, Qi Zhang, Huahong Ma, Kaikai Deng
منتشر شده در: EPJ Data Science, 2025 (SpringerOpen)

🎯 مسئله

تشخیص رفتارهای غیرعادی در شبکه‌های اجتماعی معمولاً به‌صورت متمرکز انجام می‌شود، که مشکلاتی چون حریم خصوصی، سختی در همکاری بین پلتفرم‌ها و ناتوانی در بهره‌برداری کامل از ساختار زمانی و گرافی داده‌ها را دارد. مقاله می‌پرسد چگونه می‌توان یک روش توزیع‌شده برای تشخیص رفتار غیرعادی طراحی کرد که بتواند بین پلتفرم‌های اجتماعی مختلف همکاری کند بدون افشای دادهٔ خام کاربران، و در عین حال از ویژگی‌های زمانی و ساختاری شبکه بهره گیرد.

💡 ایدهٔ اصلی

پیشنهاد روش FLAD: چارچوب توزیع‌شده‌ای مبتنی بر یادگیری فدرال (Federated Learning) که مدل‌ها را محلی در هر پلتفرم آموزش می‌دهد و سپس پارامترها را تجمیع می‌کند (بدون اشتراک دادهٔ خام).
علاوه بر آن، ترکیبی از پنجره لغزنده (sliding window) برای بخش‌بندی زمانی و شبکه عصبی گرافی (GCN + LSTM) برای استخراج ویژگی‌ها از ساختار گراف و دینامیک زمانی پیشنهاد می‌شود تا الگوهای رفتار غیرعادی را به‌درستی تشخیص دهد.

⚙️ روش‌شناسی

• معماری فدرال: استفاده از FedAvg برای تجمیع مدل‌های محلی در سرور مرکزی.
• بخش‌بندی داده‌های رفتاری کاربران به زیرگراف‌ها بر اساس پنجره‌های زمانی لغزنده؛
• بر روی هر زیرگراف، استفاده از GCN برای استخراج ویژگی‌های ساختاری و LSTM برای مدل کردن تأثیرات زمانی؛
• طراحی شبکه Encoder-Decoder-Encoder برای بازسازی ویژگی‌ها و محاسبه‌ی اختلاف به‌عنوان امتیاز ناهنجاری؛
• تزریق نویز محلی هنگام ارسال پارامترها به منظور حفاظت از حریم خصوصی کاربران؛
• مطالعهٔ تجربی بر روی دو دیتاست واقعی: Epinions و Digg.

.

📈 نتایج کلیدی

• در هر دو دیتاست، FLAD نسبت به چند مدل پایه (DeepWalk, Node2Vec, GraphSAGE, NetWalk) عملکرد بهتری از نظر F1-score داشت. (SpringerOpen)
• افزایش F1-score تا حدود ۶٫۳۱٪ نسبت به بهترین مدل پایه مشاهده شد. (SpringerOpen)
• مدل تجمیع‌شده فدرال نسبت به مدل اولیه جهانی (قبل از تجمیع) در Epinions حدود ۲۰٫۴۹٪ بهبود داشت؛ در Digg هم ۲۳٫۱۳٪ بهبود مشاهده شد. (SpringerOpen)
• آزمایش‌های Ablation نشان داد که انتخاب اندازه گام پنجره (step size S = 1) نسبت به S = T/2 موجب عملکرد بهتری است؛ همچنین تعداد پلتفرم‌هایی که در یادگیری مشارکت می‌کنند، تأثیر بهینه‌ای دارد (کمی زیاد بودن مشارکت ممکن است باعث overfitting شود). (SpringerOpen)

💡 اهمیت و کاربرد

• این مقاله یکی از گام‌های مهم در تشخیص رفتار غیرعادی بین پلتفرم‌های اجتماعی است که هم حریم خصوصی کاربران را حفظ می‌کند و هم عملکرد بالا ارائه می‌دهد.
• کاربرد برای پلتفرم‌های بزرگ اجتماعی که کاربران در چند شبکه فعالیت می‌کنند (فیس‌بوک، توییتر، اینستاگرام و غیره).
• می‌تواند در زمینه‌های امنیت، مانیتورینگ محتوا، تشخیص تقلب و امنیت داده به کار رود.
• روش تجمیع فدرال همراه با مدل‌های گرافی-زمانی، الگویی نو برای سیستم‌های توزیع‌شده در پردازش رفتار اجتماعی فراهم می‌کند.

🧠 جمع‌بندی نهایی

روش FLAD نشان می‌دهد که امکان طراحی سامانه‌ای برای تشخیص رفتار غیرعادی وجود دارد که بین پلتفرم‌های اجتماعی همکاری می‌کند بدون افشای دادهٔ کاربران، و از ساختار گرافی و دینامیکی رفتار بهره می‌برد. نتایج آزمایشی قوی، بهبود ملموس عملکرد و پایداری مدل فدرال، همگی تأکید می‌کنند که این رویکرد راهی عملی و اثربخش برای تشخیص ناهنجاری در شبکه‌های چندپلتفرمی است.

.

دانلود کامل مقاله: