一种跨平台耦合社交网络虚假信息溯源方法

本发明涉及复杂网络中源点检测领域，尤其涉及跨平台社交网络中虚假信息溯源方法。

背景技术：

1、虚假信息是一种危害社交网络安全的信息种类集合。对虚假信息溯源问题进行探究，从源头阻断虚假信息传播是舆情管控的有效手段。社交网络的特点决定了虚假信息在其中传播的特点。一方面，社交网络的“快、广、便、匿”等特点让信息的传递方式具有强烈的个人化和情感化，容易引起人们的共鸣和情感上的认同,从而制造虚假信息并将其传播出去。另一方面，当前的社交网络互动表现为线下人际关系网络和线上虚拟网络相交互的特点，虚假信息的扩散己不再局限于单个网络平台内，多种网络之间信息的相互渗透已变得较为普遍，虚假信息在线上线下耦合的网络中交互联动已成为常态。

2、目前在信息传播模型研究领域，主要使用流行病传播模型(如易感-感染(si)、易感-感染-恢复(sir)、易感-感染-易感(sis))或信息级联模型(如独立级联模型(ic)、线性阈值模型(lt))来对信息在社交网络上的传播机制进行研究。此外，近年来学者们已经将这些传播模型以及一些变体应用到多平台耦合的社交网络研究上，并证明了耦合网络的传播动力学更加复杂和多样。在虚假信息溯源研究领域，目前的研究大多数集中在单平台的单源上。基于中心性理论的方法有谣言中心性、jordan中心性等；以及其他经典估算方法，如动态消息传递算法、动态年龄算法、标签传播算法等；后来学者们使用聚类/社区划分等方法，将单源检测方法扩展到多源检测的问题上。当前在跨平台信息源检测领域的研究较少。le等人在完全观察法和传感器观察法下，提出了基于路径的多层网络溯源方法pslm。他们构建了一种“一对一”映射的双层耦合网络，但没有针对该网络结构下的信息传播机制进行深入研究。在进行溯源时，仍然保留两层网络之间的完整连边进行标签迭代传播，其本质上仍然是单平台的多源检测研究。

3、综上所述，当前的信息源检测主要是通过不同的观察方法，在单平台上进行单源、多源的检测研究。针对跨平台的信息源溯源研究较少，研究策略比较简单，并且尚未有将跨平台耦合社交网络的信息传播机制和溯源技术相结合的研究。

技术实现思路

1、针对现有技术的上述不足，本发明提供一种跨平台耦合社交网络虚假信息溯源方法，以解决上述技术问题。

2、本发明提供一种跨平台耦合社交网络虚假信息溯源方法，包括：

3、s1.获取在单个社交网络中节点的影响力与连边权值；

4、s2.构建双层耦合的跨平台社交网络；

5、s3.在耦合社交网络中随机选择监控节点；

6、s4.虚假信息在耦合社交网络上进行传播；

7、s5.提取耦合网络虚假信息传播快照，将其划分为多个感染子网；

8、s6.感染的监控节点反向传播感染信息；

9、s7.判断是否有节点收到了所有感染监控节点反馈的感染信息；

10、s8.如果有节点收到了所有感染监控节点反馈的感染信息，则计算该节点是可疑源的得分，否则继续执行s6；

11、s9.判断是否完成所有节点得分计算，如果没有，则循环执行s6至s9；

12、s10.选择得分最高的节点作为虚假信息可疑源。

13、进一步的，所述s1，包括：

14、提取网络中每个节点的四种属性，包括：度中心性、接近中心性、中介中心性、特征向量中心性；

15、计算每个节点v的综合影响力wv，包括：

16、

17、式中，x1，x2，x3，x4分别表示四种属性的值，n表示网络中总节点数；

18、计算相邻两个节点u，v之间的连边的连边权值wuv，包括：

19、

20、式中，wu和wv分别代表任意两个相邻节点的影响力。

21、进一步的，所述s2中构建双层耦合的跨平台社交网络，包括：

22、构建“线上-线下”耦合的社交网络情景，其中，“线上”网络用g1表示，“线下”网络用g2表示；

23、两个网络中的节点分别按照影响力大小排序；

24、两个网络中的节点按照影响力正相关性建立映射关系；

25、“线上”网络g1中每个节点在“线下”网络g2中都有对应的账号，而“线下”网络g2中的某些节点不一定在“线上”网络g1中存在对应账号；

26、对于“线下”网络g2中节点在“线上”网络g1中存在多个映射账号的情况，只有一个账号是实名制的，其他账号是非实名制，用γ表示这两种账号的匿名程度；

27、两个网络之间的耦合强度用λ表示；

28、“线上”网络g1和“线下”网络g2节点数、连边数、拓扑结构不同。

29、进一步的，所述s3包括：

30、监控节点会记录其自身被虚假信息影响的信息，包括时间、来源。

31、进一步的，所述s4包括：

32、虚假信息的传播遵循sir传播机制，每个节点有三种状态，分别是：易感态(未知s)、感染态(已知i)、恢复态(移除r)；

33、初始时刻只有一个节点为虚假信息源，即该节点处于“感染态(i)”，表明其已知虚假信息的存在，同时具有传播性；如果邻居节点处于“易感态(s)”，即邻居节点还未接触到虚假信息；其在接触了“感染态(i)”的节点后，会以一定概率转为“感染态(i)”，并在下一时刻传播虚假信息；同时，处于“感染态(i)”的节点，也会以一定概率在另一平台发布虚假信息；

34、节点间相互影响的概率计算方式，包括：

35、

36、pout＝λ+(1-λ)*(1-wv)*wu*γ(λ>0)

37、pin表示某个平台内处于“易感态(s)”的节点v被同平台所有处于“感染态(i)”邻居节点u的影响概率；pin中nv表示节点v的邻居中处于“感染态(i)”的节点数量；pout表示平台间存在映射关系的“感染态(i)”节点u对自己在另一平台内处于“易感态(s)”节点v的影响的概率；

38、一个节点如果被虚假信息影响，在下一个时段会以一定概率恢复为“恢复态(r)”，表示不相信该虚假信息，并且此后不再传播该条虚假信息。

39、进一步的，所述s5包括：

40、当虚假信息传播覆盖率达到最大值时，停止传播，以此时的传播范围为溯源图；

41、对溯源图进行子网划分，得到感染子图，分别用于对两个网络进行溯源。

42、进一步的，所述s6包括：

43、在s5中划分的感染子图上，分别进行感染监控节点反向传播感染信息；

44、每个平台受感染的监控节点用o＝{o1,o2,…,ok}表示；

45、记录自身感染的时间t，得到监控节点的感染时间t＝{t1,t2,…,tk}；

46、将感染时间向量转化成相对感染时间向量t′＝{t′1,t′2,…,t′k}，计算方法：

47、t′i＝max(t)-ti+1(i＝1,2,…,k)#i＝{1,2,3,…,k}

48、每一个感染的监控节点的感染信息用一个三元组oi＝{id,t′i,di}表示；其中，id表示监控节点自身的编号；t′i表示该监控节点的相对感染时间，t′i越小，说明其受感染的时间越晚；di表示该监控节点经过的边的次数；

49、受感染的监控节点开始向邻居节点广播其感染信息，包括：

50、在每一轮迭代iter中，让相对感染时间ti′＝＝iter的监控节点向其邻居广播感染信息；

51、如果邻居节点第一次接收到该感染信息，则保存，并更新收到的监控节点距离标签di＝di+1，表示该监控节点到达自己经过了一条边；

52、在下一轮迭代中，新收到感染信息的节点也会向周围邻居节点广播自己新收到的感染信息。

53、进一步的，所述s7包括：

54、在s6中所述方法的每一轮迭代中，对每个新收到感染信息的节点，判断其是否收到了所有感染监控节点反馈的信息的标准是：是否都保存了k个监控节点的id。

55、进一步的，所述s8包括：

56、在s6中所述反向传播过程和s7中判断一个节点是否接收到了所有感染信息中，如果一个节点v已经收到了所有感染监控节点反馈的感染信息，则已知其满足计算得分条件时的迭代次数iter，迭代次数越小，其为虚假信息源的概率越大；另外，其记录有每个监控节点到它需要走的路程，用d＝{d1,d2,…,dk}表示；则可以计算节点v是可疑源的得分，其计算方法为：

57、

58、

59、vscore表示计算一个节点v的综合得分，用于计算其到达感染监控节点的距离d与感染监控节点记录的感染时间t之间的相关性；其次，加权计算该节点在哪一轮迭代iter中满足计算得分的条件。

60、进一步的，所述s10，包括：

61、可疑源得分估算方法为：

62、

63、选择使pearson(d,t)和两个条件满足最大分数的节点v作为估计源

64、本发明的有益效果在于：本发明在解决跨平台虚假信息传播问题，充时分考虑了用户对虚假信息的主观判断能力与客观外部因素的影响，而不是简单设置影响概率值；本发明将跨平台的虚假信息传播机制与溯源方法相结合，弥补了先前技术的缺陷；此外，本发明的溯源方法同样适用于多重网络中计算机病毒或通信网络故障诊断等相关领域的源检测问题。