随着在线社交网络平台的普及,在线社交网络中的用户数量呈指数级增长。为了给用户带来更好的体验与服务质量,社交机器人逐渐被用来实现自动化的服务,然而恶意社交机器人也被用于传播虚假信息,严重危害用户信息安全与社交网络平台环境的稳定,因此检测在线社交网络中的恶意社交机器人变得尤为重要。为更加准确地检测社交网络中恶意社交机器人这一类更加智能化的恶意账户,本课题提出一种基于用户点击流序列的恶意社交机器人检测方法,并对社交机器人行为进行深入挖掘与分析,建立社交机器人行为序列模式库。本课题主要研究内容及创新之处如下:1.基于点击流序列的恶意社交机器人检测方法研究。在社交网络平台中,恶意社交机器人能够通过填充个人信息等手段更加智能地进行伪装,使其更难以被检测。通过对基于情境感知的用户点击流行为数据的深入分析,能够获取更加鲁棒性的用户行为动态特征以及时间维度上的时间间隔特征,提出一种基于点击流序列转移概率特征和时间特征的半监督聚类检测方法,能够及时准确的检测在线社交网络平台中的恶意社交机器人。2.基于SocialSitu的恶意社交机器人行为模式分析及挖掘研究。针对检测出的恶意社交机器人行为进一步分析,利用情境感知环境下用户的点击行为序列集合,挖掘恶意社交机器人的频繁行为序列模式,获取恶意社交机器人常用的行为序列,得到平台中恶意社交机器人的意图。利用恶意社交机器人行为预测进一步验证行为模式以及恶意社交机器人新行为序列的发现。最后,针对平台特点建立社交机器人行为模式库,达到长期监测的恶意社交机器人的目的。3.恶意社交机器人检测技术在多媒体社交网络平台中的应用。在多媒体社交网络平台晒我的(CyVOD)中,部署本课题提出的恶意社交机器人检测方法,评估社交机器人检测方法准确性的同时检测出平台中现存的恶意社交机器人账户。平台实验结果显示,针对不同类型恶意社交机器人的检测,本文提出的基于用户行为点击流转移概率的恶意社交机器人检测方法比基于用户行为数量分析的检测方法的准确率平均提高了12.8%,表明本课题所提出的检测方法能够更有效检测社交网络平台中的恶意社交机器人。在线社交网络平台的稳定与用户的信息安全已成为网络用户日渐关注的问题,本课题在社交网络环境下,针对社交网络平台中存在的社交机器人账号进行了检测与分析,提出了一种基于点击流序列转移概率特征和时间特征的半监督聚类检测方法用于实时检测在线平台中的社交机器人,并建立恶意社交机器人行为序列模式库,实现了长期监测恶意社交机器人的目的。