一种论坛的网络用户信用评价体系

近年来网络失信事件频发,亟需一套网络用户信用评价体系来引导用户的行为,帮助用户判断其他用户发布的网络媒体信息的可信程度。因此,以论坛为研究对象,进行网络用户信用评价体系的研究。首先,提出一种网络用户信用评价指标体系;其次,使用AHP层次分析法和模糊综合评判法建立综合评价的数学模型;最后,以某论坛用户为例介绍使用本模型进行信用评判的过程,验证模型的有效性。     

一种网络空间实体信用动态评估算法

随着互联网行业的蓬勃发展,互联网空间实体用户的诚信问题日益显现出来。因此,需要形成一套信用评价体系对互联网中实体用户的信用评分进行信用评估。现有的信用评价体系大多是基于实体用户基本信息的静态评价体系,没有考虑实体用户一直处于动态的、变化的状态,文中在现有网络空间用户静态信用评价体系的基础上,提出了一种网络空间实体用户的动态评估算法,当用户发生失信行为后,可以通过对用户之间关联程度的分析,对相关网络空间实体用户的信用进行系统性动态调整。     

一种恶意软件实时检测模型

启发式扫描检测入侵行为未知的恶意软件,存在误报及漏报问题,且不能有效监控Rootkit。基于＂通过监控某种恶意行为,实现对一类入侵方式未知的恶意软件的实时检测＂的思想,提出了一种实时检测入侵行为未知恶意软件的Petri网模型,给出了性能测量及优化方法。通过在模型指导下建立的恶意软件实时检测系统中采集关键参数,完成了模型性能评价和调整。设计的系统可实时准确地检测具有特征行为的恶意软件。     

面向云计算基于双层激励和欺骗检测的信任模型

针对云计算环境下存在的信任问题,该文提出基于双层激励和欺骗检测的信任模型(CCIDTM)。该模型提出了一组云计算服务属性评价指标,引入了信任度随时间衰减的动态信任机制,建立了对服务提供商服务行为和用户评价行为的双层激励机制,提出了一个共谋欺骗检测算法,提高了模型的动态适应性和评价的综合性。实验结果表明,与已有信任模型相比,该模型评估的结果更接近服务提供商的真实服务行为,能够有效地抵抗各种恶意行为的攻击,表现出良好的鲁棒性。     

情境感知的网络用户可信评估模型

互联网已经成为人们生活不可或缺的一部分,但是网络安全问题仍然影响着互联网发展,可信评估逐渐成为保障网络安全的核心,而网络用户又是可信评估的重点评估对象。当前网络可信评估模型没有充分考虑用户所处的情境以及用户的欺诈行为,影响网络用户可信评估的精确性,导致恶意用户的漏判和误判。针对该问题,提出了一种情境感知的网络用户可信评估模型(CAMETNU)。该模型通过对用户访问时所处的情境计算恶意行为的惩罚力度,而又依据用户累计恶意行为加大惩罚力度。实验结果证明了所述方法的有效性。     

基于免疫优化原理的计算机网络入侵检测系统

入侵检测系统是指能够自动识别计算机系统内的入侵行为的系统,它可以检测出内部用户或外部入侵者的非授权使用、误用和恶意攻击等异常行为模式,保护计算机系统的安全。本文在充分研究了人体免疫系统的工作机理的基础上,对于现有的人工免疫模型进行了改进,使得该模型更易于实现。并根据改进后的模型设计了一个基于网络的入侵检测系统,该系统以网络数据包为检测数据来源,具有能检测未知入侵行为、分布式部署等优点。     

面向交易型虚拟社区的信用评价模型研究

交易型虚拟社区中,商家信用度是影响消费者购买的关键因素之一。针对网络交易中存在的问题,通过分析现有的信用评价模型,结合交易金额和信任的时间属性,引入时间衰减函数,提出一个商家信用度计算的新模型。模拟实验结果表明,改进的模型能起到抑制刷信用和周期行骗等行为,从而能客观准确的计算出商家的信用度。     

智能终端应用软件安全技术研究

主要阐述通过动态监控及静态分析等手段对Android系统智能终端软件进行行为分析,以判断软件是否有恶意吸取话费、恶意订购业务、窃取用户手机隐私、控制手机发送垃圾短信、传播不良信息等恶意行为,并结合实例剖析静态反汇编分析、动态行为监控原理及方法。最后初步设计了智能终端应用软件安全防护体系模型,以促进移动互联网安全发展。     

一种传感器网络的分布式信任模型

传感器网络面临的攻击很多,尤其是内部节点进行的攻击带来的危险最大。同时,传感器网络特别是军用传感器网络不能采用建立信任中心的信任模型,导致其内部节点的恶意行为更难以控制。通过引入基于CPK认证的源地址认证模块,使用第三方推荐信任,并结合多种相关的网络行为属性,能够为用户提供更准确可信的信任度计算能力作为参考依据,使用户可以根据信任度对权限进行控制,以达到控制恶意行为的目的。     

融合图卷积神经网络与基本特征检测技术的虚假用户检测

微博等社交网站吸引了全球数百万用户,在给大众带来便利的同时,也造成了许多问题,包括可能通过虚假账户向其他用户传播恶意内容。因此,虚假用户检测是追踪和缓解互联网网络威胁的一项基本而关键的任务。本文旨在解决当前虚假用户检测系统的两个主要局限性。首先,现有的虚假用户检测方法忽略了社交网络的结构信息,从而导致误检测。其次,社交网络结构一般只包含单个属性,在数据缺失时表现不佳。本文提出了一种新型的虚假用户检测方法,将细粒度网络流（如用户基本属性、文章特征）作为多属性社交图进行模型化,并将虚假用户检测问题转换为图上节点分类任务。实验结果证明,该算法对提高虚假用户检测性能有较明显的作用。