新書推薦：
《
彩虹：从神话到数学（启蒙文化数学译丛）
》
售價：HK$
118.8
《
超级合作者
》
售價：HK$
142.9
《
清华大学藏战国竹简校释（陆）：越公其事
》
售價：HK$
82.5
《
古今英国园林
》
售價：HK$
107.8
《
奇迹时刻：获得全新的认知与领悟，如何爱自己，打破原生家庭限制，找寻真正的自由与自爱
》
售價：HK$
65.8
《
学会卓越
》
售價：HK$
109.9
《
365日自我肯定之书：你是你自己人生的主角！增强自我肯定感
》
售價：HK$
76.8
《
小儿推拿轻松学，脾肺同养百病消
》
售價：HK$
39.6
|
| 內容簡介： |
|
全球在线社交媒体网络蓬勃发展为社交用户带来信息共享便捷的同时，也引发了互联网信息内容安全与治理问题。虚假信息泛滥、深度伪造频发、数据窃取、隐私泄露、信息欺诈等风险严重威胁着数十亿用户，甚至波及社会公共管理和国家网络安全。面对日益严峻的安全挑战和重大需求，《社会情境安全理论与技术》从社交用户所处的环境、身份、行为、意图等社会情境上下文信息的前沿计算和智能信息处理崭新视角，系统性地提出社会情境安全的基础理论框架与关键核心技术，为网络空间安全领域学术界与产业界提供重要参考。《社会情境安全理论与技术》共8章，系统阐述了社会情境安全分析框架及其应用，重点探讨了虚假信息传播分析、多模态敏感信息检测、位置隐私保护、情境感知访问控制、联邦学习安全应用、安全性众包评估，以及社会舆情分析与虚假信息管控平台构建等关键技术，为互联网信息内容安全与治理提供了从理论到实践的系统解决方案。
|
| 目錄：
|
|
目录前言第1章 绪论 11.1 社会大数据 11.2 社会网络安全 21.3 社会智能 121.3.1 社交机器人理论 121.3.2 社会情境安全基础理论 171.3.3 社会情境安全体系架构 201.4 本章小结 22参考文献 23第2章 基于社会情境分析的虚假信息传播行为分析与意愿推理 322.1 相关定义 322.2 虚假信息传播群组划分 322.3 特征提取及描述 352.4 推理模型构建 372.5 实验设计及分析 402.5.1 实验设计 402.5.2 实验结果分析 402.6 本章小结 47参考文献 47第3章 基于深度学习的多模态敏感信息检测与对抗攻击模型 493.1 敏感图像特征提取及检测方法 493.1.1 图像特征提取 493.1.2 敏感图像定义 513.1.3 敏感图像分类检测方法 523.2 多模态融合敏感分类检测方法 533.3 基于生成对抗网络的实时黑盒迁移对抗攻击 543.3.1 集成advGAN网络结构 553.3.2 损失函数设计 573.4 实验设计及分析 583.4.1 实验设计 583.4.2 多模态敏感信息实验结果分析 593.4.3 集成目标模型结构 623.4.4 对抗攻击模型实验结果分析 633.5 本章小结 65参考文献 65第4章 基于差分隐私的位置隐私保护关键技术 684.1 位置隐私保护 684.1.1 位置隐私概念 684.1.2 位置隐私攻击模型 684.1.3 位置隐私保护技术 704.1.4 位置隐私度量 724.2 差分隐私保护 724.2.1 差分隐私 734.2.2 噪声机制 744.2.3 差分隐私组合性特征 764.2.4 地理不可区分性 764.3 基于位置访问量的隐私预算分配方法 774.3.1 隐私预算计算 784.3.2 生成扰动位置 804.4 组合增量近邻查询算法 814.4.1 系统模型 814.4.2 算法介绍 824.5 实验设计及分析 864.5.1 实验设计 864.5.2 实验结果分析 874.6 本章小结 91参考文献 91第5章 面向社会情境的时空访问控制模型与安全规则 945.1 基于时空和信息流访问控制模型 945.1.1 ST-IFAC模型构建 945.1.2 安全规则形式化描述 985.1.3 实验结果及分析 1035.2 基于社会情境访问控制模型 1045.2.1 SSAC模型构建 1045.2.2 安全规则形式化描述 1055.2.3 实验结果及分析 1075.3 本章小结 108参考文献 109第6章 面向社会大数据融合的联邦学习机制与安全应用 1116.1 大数据融合与联邦学习概述 1116.2 基于联邦学习的社会大数据融合架构 1146.2.1 社会大数据架构设计流程 1156.2.2 社会大数据融合架构 1156.3 面向多方隐私保护的恶意用户检测方法 1176.3.1 恶意用户检测算法 1176.3.2 实验结果及分析 1216.4 本章小结 126参考文献 126第7章 基于社会情境分析的在线社交网络平台安全性众包评估方法 1297.1 在线社交网络群体任务分发方法 1297.1.1 群体计算架构 1297.1.2 群体任务分发方法 1337.2 基于SocialSitu的任务分发算法 1397.2.1 任务分发算法 1397.2.2 算法的评价 1417.3 实验设计及分析 1417.3.1 实验设计 1417.3.2 实验结果分析 1437.4 本章小结 149参考文献 150第8章 原型系统设计与开发 1538.1 社交网络安全卫士软件 1538.2 社会舆情分析与虚假信息管控平台 1548.2.1 舆情信息总体监测与可视化 1548.2.2 舆情信息关联分析与可视化 1628.2.3 舆情信息综合指数与可视化 1638.3 本章小结 164
|
| 內容試閱：
|
|
第1章 绪论 1.1 社会大数据 新一轮全球工业革命和数字化进程催生了大数据在千行百业的深度融合和利用，大数据已经成为当今社会重要的新型生产要素。大数据具有典型的“5V”特征，具体包括大量(volume)、高速(velocity)、多样(variety)、低价值密度(value)和真实性(veracity)。它的全生命周期包含收集、存储、分析、使用和销毁五个阶段[1]。大数据的常见处理技术包括高可用分布式面向对象平台(high-availability distributed object-oriented platform， Hadoop)、Hadoop分布式文件系统(Hadoop distributed file system， HDFS)和MapReduce。社会大数据即社会化大数据，是指来源于互联网，能表达某个群体或个人主观意愿、情感、态度和行为的信息汇集。社会大数据包括但不限于新闻媒体报道、社交媒体平台信息、用户反馈渠道中的信息和应用程序中的交互信息等[2]。特别是随着互联网规模和用户数量的不断增加，用户可以通过移动设备相互交换和共享内容，从而产生海量级社会大数据。 当前，社会大数据正面临着“信息孤岛”和“数据烟囱”等一系列安全、隐私及信任问题，亟待学术界和工业界研究人员采用科学且有效的方法进行解决，例如：①如何在不同的社会场景中保护用户隐私信息的同时，合理有效地利用社会大数据；②如何在不同的社会场景中保证社会大数据的真实性，并进行深入的数据分析。传统的针对小规模或同构数据的安全机制和模型已难以满足保护海量或结构多样的社会大数据的需求。研究人员通过设计可扩展的加密算法、协议和轻量级的数据挖掘、联邦学习优化模型、博弈论等，来解决社会大数据面临的安全、隐私和信任问题[3-5]。Su等[3]提出了一种基于联合匹配-联盟博弈的社会大数据安全感知资源分配方案，在该方案中，*先引入联盟博弈模型，使基站组成集群，同时提供无线和安全资源，从而提高资源的效率和收益；其次，采用基于匹配理论的模型确定社区与基站联盟之间的选择过程，从而选取*优联盟对应的安全资源。Stergiou等[4]提出了一种云环境下的系统框架和网络，保证了社会网络中用户交换大规模数据和信息的安全及隐私。Zhou等[5]通过基于联邦学习框架，提出了一种具有隐私保护特性的社会大数据分布式**系统，从而实现服务提供商和用户之间的差分隐私保护。 1.2 社会网络安全 社会网络(social network)是通过节点之间的相互连接所构成的一种社会组织形式，它具体是指社会个体成员之间由于相互作用而形成的相对稳定的关系系统。社会网络聚焦于人与人之间的互动和联系，并且这些社会互动会影响人们的社会行为[6]。社会网络主要包括在线社会网络(如微信、QQ和Twitter等)和真实世界的离线社会网络(朋友关系网络及犯罪网络[7])，其中社会网络的类型主要包括基于用户个人资料的社会网络(profile-based social network， PBSN)、基于内容的社会网络(content-based social network， CBSN)、白标社会网络(white-label social network， WLSN)以及微博客或状态更新(micro-blogging or presence update， MB/ PU)网络[8]。社会网络服务的基本特征包括数字角色/虚拟身份(digital persona/ virtual identity， DP/VI)、网络构建(network building， NB)、网络维护(network maintenance， NM)、网络交互(network interaction， NI)、用户生成虚拟内容(user generation virtual content， UGVC)和网络自治(network self-governance， NSG)[9]。此外，随着多媒体技术和网络社会化的快速发展，多媒体社会网络及其带来的安全问题也受到研究学者的广泛关注[10]，多媒体社会网络为多媒体内容(如电子书、数字图像、音频和视频)提供了网络工具、服务和应用程序，并且多媒体内容也可以在同一群组的用户之间或不同群组之间共享。 由于社会网络的复杂性和开放性，各种各样的网络服务不仅为用户提供了许多应用，而且也带来了一些安全问题[11-13]。内容安全作为社会网络安全的重要分支，受到了研究人员的广泛关注。敏感图像作为敏感信息的一种形式，研究人员主要是通过图像的低级特征和分类方法对敏感图像进行检测识别，该类方法只能对图像进行单分类，一旦视频帧中的敏感信息稍小，或是情景较为复杂，则很难对其进行分类。例如，Zhou等[14]提出由方向梯度直方图(histogram of oriented gradient，HOG)来描述符合局部光流直方图(local histogram of optical flow，LHOF)以提取描述符的方法，来表示暴力行为的外观和形态，结合词袋(bag of word， BoW)模型和支持向量机(support vector machine，SVM)对暴力图像进行分类，最终取得了优于同类方法的结果。在敏感视频检测方面，通过在图像分类的基础上，结合视频的时间特征，对整个视频进行分类，形成了卷积神经网络(convolutional neural network， CNN)、长短期记忆(long short-term memory，LSTM)网络和三维卷积神经网络(3D convolutional neural network，3DCNN)方法。视频分类算法可以通过加入时间序列对视频中的行为进行分类，但是这种方法在对视频的敏感信息检测中并不能取得良好的效果，一旦用户对视频中的敏感信息稍加隐藏，很容易就会把视频归类为正常。自深度学习出现以来，在学界掀起一片浪潮，各种研究证明了这种方法在图像分类、目标检测及自然语言处理等方面能够取得优秀的性能。在敏感图像识别方面，Moustafa[15]通过将GoogleNet和AlextNet结合起来，设计了一个能够识别色情图像的模型。随后，Dong等[16]提出了一种从原始图像、光流图像及加速流图像中提取不同特征进行暴力检测的多流深度卷积神经网络。Marsden等[17]提出了一种残差网络结构，该结构使用多任务方法来解决人群计数以及暴力检测和人群密度分类问题。Gangwar等[18]针对未成年色情问题提出了一种具有新颖注意力机制和度量学习的CNN架构，即基于注意力机制和度量学习的卷积神经网络(attention-based metric learning?CNN，AttM-CNN)，结合使用两种不同的策略进行色情图像检测，即用于二进制色情图像分类的决策级融合和用于重新排列可疑图像的分数级融合。 目前，研究者已提出一些用于突发事件检测的智能模型和算法。突发事件检测旨在从海量文本数据中检测出新出现的关键词进而检测突发事件。在对文本类数据进行突发事件的检测研究中，主要分为以下三类方法：基于文本、基于地域标签和基于突发特征。 在基于文本的事件检测方法中，Alsaedi等[19]提出了数据收集、预处理、分类和摘要整合在一起的实时突发事件检测框架，该算法先将文本进行预分类，然后将不相关的推文过滤掉，减少了推文的数据量，从而提高了检测的速度和质量。为解决事件检测计算成本高的问题，Goto等[20]设计了一种基于字符的双向长短期记忆和注意力机制的推文自动检测系统，社交媒体中有用的信息可以被用来生产新闻。Cui等[21]改进潜在狄利克雷分布(latent Dirichlet allocation，LDA)主题模型，解决话题演变的语义不连贯问题，并检测动态主题的时间序列，以检测有价值的突发事件。Yang等[22]在考虑文本的基础上，提出了一种利用Twitter主题标签的事件检测方法，通过提取推文中容易被人忽略的主题标签特征，并输入K-means聚类算法对其进行处理。Hasan等[23]提出了一个可扩展的TwitterNews+框架，用于实时检测和跟踪有价值的事件。随后，Hasan等[24]提出了TwitterNews+事件检测系统，它将基于位置敏感的哈希文本和随机索引的词向量结合起来，使用增量聚类方法，将与事件有关的Twitter聚类到一起，这样既减少了计算成本，又可以从实时Twitter数据流中高效地检测出重要的新闻事件。Li等[25]将社交网络中的用户交互动作作为研究对象，利用用户交互行为特点，对微博文本进行语义挖掘，构建了一种基于用户互动的突发主题模型(user interaction-based bursty topic model，UIBTM)，用于社交网络中的突发事件检测。 在基于地域标签的突发事件检测方法中，Zhang等[26]提出了一种TrioVecEvent模型，该模型将Twitter的语义、时间和地理信息映射到相同的隐式向量空间，然后利用以混合贝叶斯模型为基础的聚类算法，对本地突发事件进行检测。Zhang等[27]提出一种GeoBurst+方法，从带有地理标记的Twitter流中实时检测本地事件。Choi等[28]利用地理数据字典来补充非地理标记的文档，提高了本地事件检测的准确性。Bendimerad等[29]提出一种自动识别时间的方法，评估地理位置和时间间隔标签的突发性，同时整合用户反馈。仲兆满等[30]认为突发事件具有区域突发的特征，提出了一种基于网络地域的Top-k事件检测模型，在地域突发事件的检测上有较好的性能。麦丞程等[31]考虑事件检测的地域特征，提出了一种能够高效地对数据流中的突发事件进行快速检测的方法。然而，统计数据显示，只有大约2%的Twitter数据带有全球定位系统(global positioning system，GPS)地理标签，更多无GPS地理标签的数据并未使用[32]，并且存在着难以获得数据的障碍。 在基于突发特征的突发事件检测方法中，Kalogeratos等[33]通过研究突发事件中所含突发词的突发性和共发性来加强事件之间的联系，从而提取突发事件。Zhou等[34]在对突发词得分进行计算时，将词频、用户信息和评论数量进行了综合考量，并将标签作为启发式信息，提出了一种以增强型突发词检测为基础的突发事件检测方法。Singh等[35]提出一种简单的方法，对事件关键字进行分类和检测，并根据相关特征维护事件记录。Zhang等[36]提出了一种新的方法来检测突发事件，利用词频和用户的社交关系，来检测在线微博流中的事件；同时考虑了事件内容和用户信息的扩散模型来预测被检测事件的受欢迎程度。Zhang等[37]提出了一种以时间窗为基础的基础突发权重(basic-burst weight， BBW)方法来提取突发词，之后将这些突发词与层次聚类算法相结合，来检测有意义的突发事件。Katragadda等[38]为了在事件发生时使用Twitter流中用户生成的信息进行检测，使用判别模型来识别会话模式随时间的变化，然后使用主题演化模型来寻找可信的事件并消除许多事件检测模型中常见的随机噪声，该模型能够快速有效地检测事件。张仰森等[39]通过对数据流中的词频增长率、词频和话题标签特征进行分析，利用D-S(Dempster-Shafer)证据理论对特征进行加权处理，选择突发特征值较大的词作为突发词，利用层次聚类方法对突发事件进行检测。蒋伟进等[40]通过对各个时间窗内各个词语的词频特征、用户影响力以及词频增长率特征进行分析，利用突发度计算方法来抽取突发词，并利用多归属谱聚类技术对突发事件进行检测。 虚假信息检测是研究虚假信息传播和控制的基础，旨在提高社交媒体承载信息的生态环境质量。虚假信息检测分为特征提取和模型构建两个阶段。特征提取阶段以形式化的数学结构来表示信息内容和社交上下文相关辅助
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
暢銷書架
