在线社交网络（Online Social Network，OSN）正在面临复杂的网络威胁，这些威胁通常借助虚假或盗取的用户账号进行。社交机器人是一类复杂的现代威胁实体，是社交媒体平台的原生，负责各种现代武器化信息相关攻击，例如虚假信息传播和垃圾邮件散布等。鉴于社交机器人具有模仿人类行为的欺骗性特征，针对社交机器人的检测是一项具有挑战性且至关重要的任务。
为此，本文提出了一种基于注意力机制的深度神经网络模型DeepSBD，用于检测OSN上的社交机器人。如图1所示，DeepSBD借助用户的个人资料、时序特征、活动和内容信息对用户的行为进行建模。它使用双向长短期记忆（BiLSTM）和基于注意力机制的卷积神经网络（CNN）架构对OSN用户联合建模，将用户信息、时序特征和活动信息建模为的序列信息馈送到双层BiLSTM，并将内容信息馈送到基于注意力机制的深度CNN。
图1 DeepSBD方法的框架介绍
通过在五个真实场景下的基准数据集的评估，本文证实了与最先进的方法和基线方法相比，DeepSBD能够实现良好性能，如表三所示。
此外，本文还分析了DeepSBD在不同比例的社交机器人和良性用户下的性能，发现不平衡的数据集会适度影响分类准确性。最后，本文分析了不同输入特征对DeepSBD辨别力的影响，发现用户资料特征和内容行为对辨别性能的影响最大，而日间时间行为对于检测 OSN上的社交机器人效果最差。
本文于2021年发表在IEEE TIFS期刊，作者均来自印度新德里的南亚大学。
DeepSBD: A Deep Neural Network Model With Attention Mechanism for Social Bot Detection. IEEE Transactions on Information Forensics and Security (TIFS), 2021.
声明：本文来自隐者联盟，版权归作者所有。文章内容仅代表作者独立观点，不代表安全内参立场，转载目的在于传递更多信息。如有侵权，请联系 anquanneican@163.com。
