在线社交网络,比如Facebook,新浪微博,已经成为了当下最受欢迎的信息交流和社交活动的平台。越来越多的恶意用户也开始在社交网络中利用恶意账户来传播垃圾信息。由于恶意账户在对社交网络造成的危害,很多方法被提出用于解决这个问题。现有的方法主要分为两类,基于机器学习和基于图算法。基于机器学习的方法根据社交网络账户的个人资料,行为模式和社交消息内容,从中抽取出一些特征来构建监督学习分类器。基于图算法的方法从社交网络的图结构入手,提出了很多基于Page-rank的图迭代算法来对社交网络中的账户进行分析,并根据分析的结果对恶意账户进行甄别。然而,随着时间的推移,恶意用户在不断地调整他们的行为策略,来应对不断改进的检测系统。对于之前提到的两类方法,恶意用户们都已找了非常成熟的应对方法来躲避基于这两类方法的检测。为此,研究人员们提出了一些新的方案来解决这些挑战。然而,这些新的方法依然没有解决最为关键的问题,它们判断一个账户是否是恶意的依据依然是这些账户在某一个时间点上表现出来的特征。在本文中,我们向恶意用户的检测问题中引入了时间因素,深入观察用户在一段时间内的活动并提出了一个检测框架来识别那些不断改变策略躲避检测的恶意账户。为了完成研究目标,我们收集了大量的社交网络账户的个人资料,并记录了它们在一系列时间点上的状态。我们首先选取了一些特征来构成账户的状态,随后提出了一个基于滑动窗口的模型来描述账户状态的动态变化。通过这个模型,我们观察到在变化模式上正常用户和恶意用户之间存在着非常显著的差异。我们以此为基础,设计了新的特征来检测恶意账户。我们没有直接利用这些新的特征,而是深入地研究了恶意用户们在动态变化模式上所表现出的相似性。我们将账户的动态模式抽象成特征向量作为一个聚类算法的输入来对所有账户进行聚类。聚类结果显示恶意账户更容易被聚集到相同的聚类中,由于它们之间的相似性。接下来,我们联合新提出的特征和聚类结果,构建了一个监督学习分类器,用于更准确的识别恶意账户。最后,我们实现了我们的检测框架并在一个真实数据集上评估了我们的方案。通过与其他两种传统检测方法的比较,我们验证了我们的方法的有效性。