خلاصة:
از آنجایی که شناسایی ناهنجاری در شبکه های اجتماعی پویا، در یک دنباله ای از گراف ها در طول زمان صورت می گیرد، علاوه بر چالش ذخیره سازی، فرآیند شناسایی به دلیل آهستگی تکامل گراف ها دشوار است. چند گراف در بازه زمانی مشخص انتخاب می گردد و با بررسی تغییرات این گراف ها ناهنجاری احتمالی شناسایی می گردد. بنابراین انتخاب تعداد گراف(نقاط زمانی) در دنباله گراف ها به عنوان یک چالش مهم در شناسایی ناهنجاری ها در شبکه های اجتماعی پویاست در این مقاله روشی نوینی برای شناسایی ناهنجاری مبتنی بر داده های ساختاری مستخرج از گراف پویای شبکه اجتماعی ارایه گردیده است. با استخراج شاخص های مرکزیت از گراف شبکه و میانگین نرمال شده آن ها، معیار فعالیت برای هر فرد تعریف شده است. با گذر زمان، تغییرات معیار فعالیت برای هر فرد موردسنجش قرارگرفته و به عنوان امکان رفتار هنجار یا ناهنجار علامت گذاری می گردد. درصورتی که شاخص سنجش رفتار فرد از آستانه معینی بیشتر گردید به عنوان ناهنجاری گزارش می گردد. نتایج نشان داد که روش ارایه شده بر روی مجموعه داده VAST ۲۰۰۸ تعداد ناهنجاری بیشتری را با دقت ۲۹/۶۴ و فراخوان ۸۲/۸۱ یافته است. همچنین با انتخاب تعداد مختلف نقاط زمانی در دنباله گراف تعداد ناهنجاری بیشتری را شناسایی نموده است.
Since the detection of anomalies in dynamic social networks takes place in a sequence of graphs over time,
in addition to the storage management challenge, the detection process is difficult due to the slow evolution
of graphs. A number of graphs are selected in the specified time frame, and by examining the changes of
these graphs, the possible anomalies are detected. Therefore, choosing the number of time points (graphs)
in the sequence of graphs is an important challenge in the detection of anomalies. In this paper, a novel
method is proposed to detect anomalies based on structural data extracted from dynamic social network
graphs. By extracting the centrality indicators from the network graph and their normalized mean, the
activity criterion for each individual has been defined. Over time, changes in the activity criterion for each
individual are measured and marked as the possibility of normal or abnormal behavior. If the individual's
behavior measure exceeds a certain threshold, it is reported as an anomaly. The results show that the
proposed method detects more anomalies with the accuracy and recall of 64.29 and 81.82 respectively, for
the VAST 2008 data set. It also, detects more anomalies by selecting different number of time points in the
graph sequence.