项目名称: 社会网络交互安全保障机制研究

项目编号: No.61202423

项目类型: 青年科学基金项目

立项/批准年度: 2013

项目学科: 计算机科学学科

项目作者: 杨智

作者单位: 北京大学

项目金额: 24万元

中文摘要: 社会网络的日趋流行,一方面使它成为人们进行社会化交互和信息分享的重要平台,另一方面也使它成为攻击者新的攻击目标。因此,如何保证用户在社会网络中交互的安全性成为新的研究课题。具体来说,系统要保证进行交互的双方(包括账户和数据)是真实可信的,并且在交互过程中的访问是安全的。由于攻击者结合社会网络的新特征,传统针对Web和Email的安全机制并不适用于社会网络。因此,本申请以保证用户在社会网络交互的安全为宗旨,通过与中国最大的社交网络人人网合作,首次对社会网络中攻击者的行为进行大规模分析,重点研究在社会网络环境下攻击者新的攻击模型和策略;研究如何基于攻击模型以及社会网络特征设计假账号检测,内容污染过滤, 安全认证和隐私控制等机制;从而达到安全可靠的使用社会网络的目的。

中文关键词: 社会网络;女巫攻击;虚假用户检测;用户隐式交互;拓扑数据分析

英文摘要: Social networking has become a popular way for users to meet and interact online. Users store and share a wealth of personal information on the social platform,which attracts the interest of cybercriminals. Hence, it becomes more important to protect the security of social interaction. In particular, the system should ensure that users interact with trustable accounts, and grantee the security of users themselves among the inteaction. Even though this problem has raised the attention of researchers, how attackers behave in social network is still not well understood.In this funding application, we analyze to which extent attack has entered social networks. More precisely, we analyze how attacker who target social networking sites operate. To collect the data about attacker activity, we coprate with Renren network and get a large and diverse set of fake accounts and their activities. We shall analyze the collected data and identified anomalous behavior models of attackers. Based on the analysis of this behavior, we would develop techniques to detect spammers in social networks, defend content pollusion attacks. We shall also analye how users interact with their friends, and design new users' authentication mechinsin and privacy control strategy. These techniques would make users access the social network in a sec

英文关键词: social network;Sybil attack;fake account detection;user latent interaction;Topological data analysis

成为VIP会员查看完整内容
0

相关内容

车联网数据安全监管制度研究报告2022
专知会员服务
37+阅读 · 2022年3月28日
【博士论文】推荐系统多行为建模与隐私保护研究
专知会员服务
52+阅读 · 2021年11月27日
专知会员服务
27+阅读 · 2021年8月15日
专知会员服务
42+阅读 · 2021年8月10日
专知会员服务
25+阅读 · 2021年8月7日
专知会员服务
45+阅读 · 2021年6月20日
专知会员服务
24+阅读 · 2021年6月9日
专知会员服务
39+阅读 · 2020年12月20日
专知会员服务
45+阅读 · 2020年11月13日
2021年车联网安全研究报告
CCF计算机安全专委会
1+阅读 · 2022年4月7日
肖新光建议:加强IT供应链网络安全能力
CCF计算机安全专委会
1+阅读 · 2022年3月7日
CCF计算机安全专委会发布2022年网络安全十大发展趋势
CCF计算机安全专委会
2+阅读 · 2022年2月25日
加强网络信息安全立法 维护国家网络空间安全
CCF计算机安全专委会
1+阅读 · 2022年2月25日
图神经网络的对抗标签翻转攻击与防御
专知
0+阅读 · 2021年3月28日
网络舆情分析
计算机与网络安全
20+阅读 · 2018年10月18日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
Recent advances in deep learning theory
Arxiv
50+阅读 · 2020年12月20日
Arxiv
49+阅读 · 2020年12月16日
Arxiv
14+阅读 · 2020年10月26日
A Survey on Deep Learning for Named Entity Recognition
Arxiv
26+阅读 · 2020年3月13日
Optimization for deep learning: theory and algorithms
Arxiv
104+阅读 · 2019年12月19日
Arxiv
15+阅读 · 2019年4月4日
Deep Reinforcement Learning: An Overview
Arxiv
17+阅读 · 2018年11月26日
小贴士
相关VIP内容
车联网数据安全监管制度研究报告2022
专知会员服务
37+阅读 · 2022年3月28日
【博士论文】推荐系统多行为建模与隐私保护研究
专知会员服务
52+阅读 · 2021年11月27日
专知会员服务
27+阅读 · 2021年8月15日
专知会员服务
42+阅读 · 2021年8月10日
专知会员服务
25+阅读 · 2021年8月7日
专知会员服务
45+阅读 · 2021年6月20日
专知会员服务
24+阅读 · 2021年6月9日
专知会员服务
39+阅读 · 2020年12月20日
专知会员服务
45+阅读 · 2020年11月13日
相关资讯
2021年车联网安全研究报告
CCF计算机安全专委会
1+阅读 · 2022年4月7日
肖新光建议:加强IT供应链网络安全能力
CCF计算机安全专委会
1+阅读 · 2022年3月7日
CCF计算机安全专委会发布2022年网络安全十大发展趋势
CCF计算机安全专委会
2+阅读 · 2022年2月25日
加强网络信息安全立法 维护国家网络空间安全
CCF计算机安全专委会
1+阅读 · 2022年2月25日
图神经网络的对抗标签翻转攻击与防御
专知
0+阅读 · 2021年3月28日
网络舆情分析
计算机与网络安全
20+阅读 · 2018年10月18日
相关基金
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
相关论文
Recent advances in deep learning theory
Arxiv
50+阅读 · 2020年12月20日
Arxiv
49+阅读 · 2020年12月16日
Arxiv
14+阅读 · 2020年10月26日
A Survey on Deep Learning for Named Entity Recognition
Arxiv
26+阅读 · 2020年3月13日
Optimization for deep learning: theory and algorithms
Arxiv
104+阅读 · 2019年12月19日
Arxiv
15+阅读 · 2019年4月4日
Deep Reinforcement Learning: An Overview
Arxiv
17+阅读 · 2018年11月26日
微信扫码咨询专知VIP会员