劉向宇，燕 瑋，孟星妤，侯開茂

(華北計(jì)算機(jī)系統(tǒng)工程研究所，北京 100083)

0 引言

發(fā)現(xiàn)社交媒體中的網(wǎng)絡(luò)安全用戶可以有效追蹤網(wǎng)絡(luò)安全動(dòng)態(tài)，對(duì)網(wǎng)絡(luò)安全防護(hù)具有重要意義。實(shí)際上，識(shí)別社交網(wǎng)絡(luò)中的網(wǎng)絡(luò)安全用戶也是對(duì)社交網(wǎng)絡(luò)節(jié)點(diǎn)進(jìn)行分類發(fā)現(xiàn)。

現(xiàn)實(shí)生活中，人們傾向于與類似的人發(fā)展社會(huì)關(guān)系，所以社交用戶的好友會(huì)分享更多的屬性，如種族、民族、宗教和職業(yè)——這就是所謂的“同質(zhì)性原則”[1]。這導(dǎo)致了在Twitter上相互關(guān)注的人通常有共同的話題興趣，可以通過相互關(guān)注關(guān)系來推斷社交媒體用戶的屬性。另外，社交用戶還具備其他可以獲取的數(shù)據(jù)，如社交文本和用戶資料，這些資料構(gòu)成新的用戶屬性，也有助于推斷用戶的興趣或者職業(yè)，與用戶的社交關(guān)系形成互補(bǔ)。

當(dāng)前已經(jīng)有大量的用戶分類工作都是基于網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)進(jìn)行節(jié)點(diǎn)的分類。比如，網(wǎng)絡(luò)表示學(xué)習(xí)方法直接對(duì)網(wǎng)絡(luò)結(jié)構(gòu)特征進(jìn)行學(xué)習(xí)提取，將得到的特征用于分類可以取得不錯(cuò)的效果。然而，現(xiàn)有的網(wǎng)絡(luò)表示學(xué)習(xí)方法缺乏對(duì)社交文本和社交基本資料特征的學(xué)習(xí)，極大地限制了其分類效果。相對(duì)于單純利用社交網(wǎng)絡(luò)結(jié)構(gòu)對(duì)用戶進(jìn)行分類，當(dāng)前主流的圖神經(jīng)網(wǎng)絡(luò)算法創(chuàng)新性地融入了網(wǎng)絡(luò)節(jié)點(diǎn)的其他屬性特征，獲得了更高的分類準(zhǔn)確率。本文針對(duì)網(wǎng)絡(luò)表示學(xué)習(xí)方法缺乏社交文本特征的問題，通過改進(jìn)Node2vec[2]方法，使其融合多種網(wǎng)絡(luò)屬性特征而更加有利于分類，從而識(shí)別出社交媒體中的網(wǎng)絡(luò)安全用戶。

本文的創(chuàng)新性工作包括：

(1)利用網(wǎng)絡(luò)表示學(xué)習(xí)模型Node2vec來進(jìn)行網(wǎng)絡(luò)節(jié)點(diǎn)的特征表示，將結(jié)構(gòu)特征向量和相應(yīng)用戶節(jié)點(diǎn)的文本特征向量進(jìn)行拼接，形成社交用戶節(jié)點(diǎn)的向量表示。

(2)標(biāo)注了部分網(wǎng)絡(luò)安全用戶，初步形成網(wǎng)絡(luò)安全用戶資料庫(kù)。對(duì)于每個(gè)用戶節(jié)點(diǎn)，生成其網(wǎng)絡(luò)安全文本特征。

(3)利用自監(jiān)督學(xué)習(xí)方法進(jìn)行分類模型的訓(xùn)練樣本擴(kuò)充，提升了分類效果。

結(jié)果表明，在已經(jīng)收集的Twitter數(shù)據(jù)集上，所提方法的平均識(shí)別準(zhǔn)確率為96.37%，比現(xiàn)有常用的算法平均高出0.48%～3.67%。

1 相關(guān)工作

本文通過對(duì)社交媒體用戶進(jìn)行分類來發(fā)現(xiàn)網(wǎng)絡(luò)安全用戶。首先，基于好友的特點(diǎn)進(jìn)行分類，隨著自然語言處理的興起，出現(xiàn)了基于社交文本的分類方法[3-4]。而近年來，結(jié)合社交網(wǎng)絡(luò)拓?fù)浜蜕缃挥脩魧傩缘姆椒ㄖ饾u引起關(guān)注，比如[5-6]等。

2014年Bryan Perozzi等人根據(jù)Word2vec對(duì)詞的嵌入方法，提出Deepwalk[7]模型。此模型將節(jié)點(diǎn)看作是自然語言處理中的單詞，利用隨機(jī)游走采集節(jié)點(diǎn)的方式，將得到的序列看作是語句，采集到節(jié)點(diǎn)語句后用自然語言處理中的Skip gram模型進(jìn)行向量的學(xué)習(xí)，得到每一個(gè)節(jié)點(diǎn)的向量表示。2016年斯坦福大學(xué)的Grover和Leskovec提出Node2vec，對(duì)Deepwalk模型進(jìn)行了改進(jìn)，可以支持有向圖的表示學(xué)習(xí)，并且提出了新的游走方法。通過調(diào)節(jié)游走的參數(shù)，取得比較好的節(jié)點(diǎn)表示效果。同樣在2016年，Kip提出了GCN[8]模型，將卷積神經(jīng)網(wǎng)路的理論應(yīng)用到圖結(jié)構(gòu)上。2019年P(guān)an[9]等人將GCN理論應(yīng)用到社交用戶職業(yè)分類上，分類效果好于眾多的網(wǎng)絡(luò)表示學(xué)習(xí)的方法。隨著圖神經(jīng)網(wǎng)絡(luò)的興起，2017年Graph-Sage[10]和GAT[11]模型被提出。GraphSage通過聚合鄰居節(jié)點(diǎn)特征的方式來生成目標(biāo)節(jié)點(diǎn)的特征，相對(duì)于GCN，這種方法可以顯著提升特征生成靈活性。同時(shí)，利用batch-training的方法，提升了訓(xùn)練效率。GAT模型的創(chuàng)新之處是加入attention機(jī)制，給節(jié)點(diǎn)之間的邊不同的權(quán)重，幫助模型學(xué)習(xí)網(wǎng)絡(luò)的結(jié)構(gòu)信息。Cao等人于2018年提出基于自編碼器的社區(qū)發(fā)現(xiàn)算法，分別對(duì)網(wǎng)絡(luò)拓?fù)浜凸?jié)點(diǎn)屬性進(jìn)行向量表示然后拼接進(jìn)行分類。2019年提出的NOCD[12]模型基于GCN和伯努利泊松分布，學(xué)得節(jié)點(diǎn)和類別的隸屬關(guān)系矩陣，矩陣中的每個(gè)元素表示節(jié)點(diǎn)屬于某個(gè)類別的概率，當(dāng)概率值大于0.5即判定其屬于此類別。此方法是一個(gè)多標(biāo)簽分類方法，最終每個(gè)節(jié)點(diǎn)屬于多個(gè)不同的類別，在重疊社區(qū)發(fā)現(xiàn)方面取得不錯(cuò)的效果。

除社交關(guān)系和文本信息外，2014年Huang[13]等人將社交網(wǎng)絡(luò)其他信息(如簡(jiǎn)介信息和轉(zhuǎn)發(fā)信息等)加入進(jìn)行分類。2017年Liao[14]等人將結(jié)構(gòu)信息和其他屬性信息同時(shí)輸入深度神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)非線性特征抽象，相對(duì)于傳統(tǒng)的圖神經(jīng)網(wǎng)絡(luò)模型，有較大性能提升。具體的向量表示方式如表1所示。

表1 社交網(wǎng)絡(luò)用戶向量表示

以上工作并沒有針對(duì)某一特定領(lǐng)域進(jìn)行分類，且學(xué)到的社交節(jié)點(diǎn)的向量表示沒有結(jié)合用戶文本和基本信息等多種特征。

2 算法描述

為了解決現(xiàn)有用戶分類方法在語義特征提取的不足，本文提出了新的社交用戶分類方法，包括三個(gè)階段：首先進(jìn)行網(wǎng)絡(luò)表示學(xué)習(xí)學(xué)得社交網(wǎng)絡(luò)節(jié)點(diǎn)的結(jié)構(gòu)特征；然后將結(jié)構(gòu)特征與人工提取的語義特征進(jìn)行拼接得到社交節(jié)點(diǎn)的特征向量；最后用邏輯回歸模型(Logistic Regression，LR)[15]進(jìn)行分類預(yù)測(cè)網(wǎng)絡(luò)安全用戶。具體各階段介紹如下。

2.1 網(wǎng)絡(luò)表示學(xué)習(xí)算法Node2vec

網(wǎng)絡(luò)表示學(xué)習(xí)也稱為圖嵌入是將圖網(wǎng)絡(luò)結(jié)構(gòu)中的節(jié)點(diǎn)、邊或者整體表示為一個(gè)低維度的向量，此向量被稱為嵌入向量。Node2vec的節(jié)點(diǎn)采樣方法比較靈活，結(jié)合了兩種節(jié)點(diǎn)采樣方式，如圖1所示。

圖1 兩種節(jié)點(diǎn)采樣方式

虛線箭頭表示廣度優(yōu)先游走BFS，實(shí)線箭頭表示深度優(yōu)先游走DFS，是兩種極端的節(jié)點(diǎn)采樣方法，分別適用于提取結(jié)構(gòu)等價(jià)性和同質(zhì)性的網(wǎng)絡(luò)節(jié)點(diǎn)特征。廣度優(yōu)先游走算法能夠表達(dá)網(wǎng)絡(luò)節(jié)點(diǎn)的同質(zhì)性，深度優(yōu)先游走可以表達(dá)網(wǎng)絡(luò)節(jié)點(diǎn)的結(jié)構(gòu)對(duì)等性[2]。然而，現(xiàn)實(shí)中的網(wǎng)絡(luò)根據(jù)結(jié)構(gòu)的不同，需要結(jié)合兩種游走方法，才可以比較好地提取到特征。

對(duì)于Node2vec的游走采樣方法如圖2所示，上一步在節(jié)點(diǎn)u，當(dāng)前游走在節(jié)點(diǎn)v。通過控制游走的參數(shù)來控制廣度優(yōu)先和深度優(yōu)先的比例，根據(jù)式(1)計(jì)算出下一步游走到節(jié)點(diǎn)x1，x2，x3或者回到節(jié)點(diǎn)u的概率。

圖2 Node2vec游走采樣圖

式中，p被稱為返回參數(shù)(return parameter)，q被稱為進(jìn)出參數(shù)(in-out parameter)。當(dāng)算法隨機(jī)游走到節(jié)點(diǎn)v時(shí)，p越小，下一步走到u的可能性越大，即游走到相鄰節(jié)點(diǎn)的可能性越大；q越小，Node2vec中深度優(yōu)先游走成分會(huì)更多，則隨機(jī)游走到遠(yuǎn)處節(jié)點(diǎn)的可能性越大，更能表達(dá)網(wǎng)絡(luò)節(jié)點(diǎn)的結(jié)構(gòu)對(duì)等性。所以針對(duì)不同的網(wǎng)絡(luò)特性，控制p，q的值可以保留更多網(wǎng)絡(luò)的特征。

2.2 二分類算法

2.2.1 邏輯回歸

邏輯回歸是機(jī)器學(xué)習(xí)中的經(jīng)典分類方法，二項(xiàng)邏輯回歸模型是一種二分類模型，模型具體形式如下：

其中，P(yi=1|xi)是第i個(gè)樣本xi條件下，事件yi=1發(fā)生的概率，記作Pi(0＜Pi＜1)。同理，P(yi=0|xi)也可以求得。LR比較二者的大小，將實(shí)例xi判斷到概率值較大的那一類。本文使用了Sklearn庫(kù)中的二項(xiàng)邏輯回歸算法進(jìn)行分類。

2.2.2 支持向量機(jī)

支持向量機(jī)(Supported Vector Machine，SVM)[16]也是經(jīng)典的二分類算法。當(dāng)訓(xùn)練集線性可分時(shí)，SVM的目標(biāo)是構(gòu)造線性最優(yōu)解分類超平面w·x+b=0，這個(gè)超平面可以將兩類數(shù)據(jù)完全分類，并使分類間隔最大，即使得此平面到兩類數(shù)據(jù)的距離最大。所以，可以表示為一個(gè)凸二次規(guī)劃問題，如式(4)所示。

求得最優(yōu)化問題的解是w*，b*，分離超平面是w·xi+b=0，決策函數(shù)是：

現(xiàn)實(shí)中訓(xùn)練數(shù)據(jù)線性可分的情況較少，但是近似線性可分的情況較多，當(dāng)訓(xùn)練集線性不可分時(shí)，一般使用線性支持向量機(jī)或者軟間隔支持向量機(jī)。對(duì)于非線性分類問題，可以通過非線性變換將它轉(zhuǎn)化為某個(gè)高維特征空間中的線性分類問題。在高維線性特征空間中學(xué)習(xí)線性支持向量機(jī)[17]。

2.3 網(wǎng)絡(luò)安全特征的處理

本文收集到的社交媒體數(shù)據(jù)中包括關(guān)系數(shù)據(jù)、文本數(shù)據(jù)和基本信息數(shù)據(jù)。將所有用戶的文本和基本信息數(shù)據(jù)進(jìn)行整理，提取并挑選了256個(gè)網(wǎng)絡(luò)安全詞匯，組成一個(gè)網(wǎng)絡(luò)安全詞匯向量：

根據(jù)向量V對(duì)節(jié)點(diǎn)進(jìn)行one-hot編碼，組成一個(gè)256維的0/1向量。如果一個(gè)用戶節(jié)點(diǎn)的社交文本和基本信息有相應(yīng)的網(wǎng)絡(luò)安全單詞，則在對(duì)應(yīng)維度上標(biāo)注為1，沒有則為0。此向量即用戶節(jié)點(diǎn)的網(wǎng)絡(luò)安全特征向量。將每個(gè)用戶節(jié)點(diǎn)的特征向量和利用Node2vec生成的特征向量拼接，得到用戶節(jié)點(diǎn)最終的表示向量。利用此節(jié)點(diǎn)表示向量進(jìn)行下游任務(wù)完成網(wǎng)絡(luò)安全用戶的分類識(shí)別。

2.4 算法時(shí)間復(fù)雜度分析

算法的時(shí)間復(fù)雜度與網(wǎng)絡(luò)節(jié)點(diǎn)的數(shù)量n有關(guān)。Node2vec算法自身引入了別名采樣提高采樣效率，每次采樣的時(shí)間復(fù)雜度為O(1)，采樣模塊的復(fù)雜度為O(rln)，r為采樣迭代次數(shù)，l是隨機(jī)游走的長(zhǎng)度。Skipgram模塊特征生成時(shí)間為O(nlogn)，Node2vec的算法復(fù)雜度為O(nlogn)。因?yàn)橄蛄科唇雍瓦壿嫽貧w分類的時(shí)間復(fù)雜度也是線性的，所以算法的時(shí)間復(fù)雜度為線性時(shí)間復(fù)雜度O(nlogn)。

3 實(shí)驗(yàn)

3.1 實(shí)驗(yàn)環(huán)境和數(shù)據(jù)

實(shí)驗(yàn)環(huán)境采用的服務(wù)器配置為CPU：Intel?Xeon?CPU E5-2640 v3@2.60 GHz(8核16線程)，采用的操作系統(tǒng)為Ubuntu 16.04 LTS，算法實(shí)現(xiàn)的語言及版本為Python 3.9以及PyTorch 2.0。

本文將收集的用戶關(guān)系數(shù)據(jù)、文本數(shù)據(jù)和基本信息數(shù)據(jù)應(yīng)用于不同的圖神經(jīng)網(wǎng)絡(luò)算法(如GCN、GAT、Graphsage)和表示學(xué)習(xí)算法(如Deepwalk等)，來發(fā)現(xiàn)網(wǎng)絡(luò)安全用戶。由于網(wǎng)絡(luò)安全用戶在社交媒體上分布較為稀疏，本文根據(jù)100個(gè)網(wǎng)絡(luò)安全關(guān)鍵詞，選擇一部分含有網(wǎng)絡(luò)安全用戶較多的社交媒體，總共收集了30 000個(gè)社交媒體用戶和相關(guān)的用戶基本信息。將大型的社交網(wǎng)絡(luò)分割為3個(gè)不同大小級(jí)別的社交網(wǎng)絡(luò)以驗(yàn)證Node2vec和LR結(jié)合分類準(zhǔn)確率。三種網(wǎng)絡(luò)的節(jié)點(diǎn)規(guī)模分別是275，2 005，15 000。不同規(guī)模的社交網(wǎng)絡(luò)如圖3所示。

圖3 不同規(guī)模Twitter網(wǎng)絡(luò)

3.2 實(shí)驗(yàn)結(jié)果與分析

將用戶的屬性特征和網(wǎng)絡(luò)拓?fù)涮卣髯鳛閳D神經(jīng)網(wǎng)絡(luò)的輸入，每個(gè)圖神經(jīng)網(wǎng)絡(luò)都經(jīng)過至少100個(gè)epoch訓(xùn)練。Deepwalk和Node2vec的嵌入維度設(shè)置為256，游走節(jié)點(diǎn)的序列長(zhǎng)度為15，Node2vec的p值設(shè)置為0.25，q值設(shè)置為4。最終，本文所提的算法(Node2vec+LR)與現(xiàn)有常用圖模型(GCN、GAT、Deepwalk+LR)的預(yù)測(cè)準(zhǔn)確率對(duì)比如表2所示。

表2 不同模型分類準(zhǔn)確率 (%)

由表2可知，Node2vec與LR的組合可獲得最高的平均分類準(zhǔn)確率96.37%。且在網(wǎng)絡(luò)節(jié)點(diǎn)規(guī)模為275時(shí)，準(zhǔn)確率最高。比現(xiàn)有常用的其他網(wǎng)絡(luò)表示學(xué)習(xí)算法和圖神經(jīng)網(wǎng)絡(luò)算法平均高出0.48%～3.67%?？梢园l(fā)現(xiàn)，表示學(xué)習(xí)加二分類的方法適合用于網(wǎng)絡(luò)安全用戶發(fā)現(xiàn)。本文也將SVM用于分類，其結(jié)果和LR相近但是耗時(shí)較長(zhǎng)不適合用于規(guī)模較大的網(wǎng)絡(luò)。

因?yàn)橛脵C(jī)器學(xué)習(xí)分類算法進(jìn)行分類需要標(biāo)注一部分網(wǎng)絡(luò)安全數(shù)據(jù)，本文人工標(biāo)注了1 000條Twitter數(shù)據(jù)。找到其中的1 000條用戶數(shù)據(jù)。對(duì)于規(guī)模相對(duì)較大的社交網(wǎng)絡(luò)，訓(xùn)練量仍然太少，因此本文采取了自訓(xùn)練的方法來進(jìn)行擴(kuò)充數(shù)據(jù)集。先用分類算法在包含標(biāo)注數(shù)據(jù)的網(wǎng)絡(luò)上進(jìn)行預(yù)測(cè)。取1 000條數(shù)據(jù)進(jìn)行訓(xùn)練，300條數(shù)據(jù)用于驗(yàn)證，逐漸將訓(xùn)練集擴(kuò)充到8 000，用2 000條數(shù)據(jù)進(jìn)行測(cè)試。最后，將結(jié)果與不進(jìn)行訓(xùn)練集擴(kuò)充的對(duì)照組進(jìn)行精確率和F1-Score的對(duì)比。

F1-Score也是分類問題的一個(gè)衡量指標(biāo)，它是精確率和召回率的調(diào)和平均數(shù)，最大為1，最小為0。定義如式(6)所示：

如圖5所示，自訓(xùn)練組精確率最高可以達(dá)到90.40%，平均高于對(duì)照組3.38%。圖6中，自訓(xùn)練組F1-Score明顯高于對(duì)照組，在所有的實(shí)驗(yàn)數(shù)據(jù)集上F1-Score均高于88%，最高可達(dá)89.43%，平均高于對(duì)照組4.16%。這充分說明模型的訓(xùn)練集規(guī)模的增加有助于提高精確率和F1-Score。在一定的數(shù)量下，隨著訓(xùn)練節(jié)點(diǎn)數(shù)量的增多，訓(xùn)練得到的模型更加精確。值得說明的是，在嵌入維度的選擇上本文選擇256，當(dāng)嵌入維度減小時(shí)精確率會(huì)有明顯的下降，當(dāng)超過300后提升效果不明顯。

圖5 F1-Score對(duì)比(單位：%)

圖4 精確率對(duì)比(單位：%)

4 結(jié)論

本文通過人工添加網(wǎng)絡(luò)安全語義特征，并與網(wǎng)絡(luò)表示學(xué)習(xí)結(jié)合的方式來生成社交網(wǎng)絡(luò)節(jié)點(diǎn)的特征表示，使得表示向量包含了節(jié)點(diǎn)的語義特征和結(jié)構(gòu)特征。利用經(jīng)典的機(jī)器學(xué)習(xí)二分類方法進(jìn)行網(wǎng)絡(luò)安全用戶的預(yù)測(cè)。預(yù)測(cè)效果優(yōu)于常用的圖神經(jīng)網(wǎng)絡(luò)算法，并且驗(yàn)證了通過自訓(xùn)練的方法對(duì)于預(yù)測(cè)效果有積極的影響。未來可以繼續(xù)擴(kuò)充語料庫(kù)，改進(jìn)語義和網(wǎng)絡(luò)拓?fù)鋬深愄卣鞯钠唇臃绞?，用更加精確的表示學(xué)習(xí)或者圖神經(jīng)網(wǎng)絡(luò)方法進(jìn)行更多特征的融合，來發(fā)現(xiàn)特定領(lǐng)域的社交用戶。