随着互联网技术飞速发展,信息系统给人们的生活带来便利,同时也给很多非法用户提供了从社会工程学角度施展攻击的机会,如何保护用户隐私安全已成为一个重要的研究话题。本文从社会工程学角度出发,重点关注社会工程学中的冒名顶替（通过冒充他人身份达到自己的目的）和社会关系（通过利用用户之间的某种联系进行攻击）两种攻击方法。保护用户隐私安全涉及到对于个人的终端信息保护以及基于虚拟网络空间的用户信息安全,其中异常用户检测是保护用户隐私安全的重要一环,是维护信息安全重要一步,因为异常用户大多情况就是攻击人员。因此,本研究从基于终端数据和社交数据两个场景进行异常用户检测。首先,针对解决单击键特征识别率低的问题以及防止冒充者限制一个输入设备避免检测,本文提出基于多核学习进行鼠标和键盘特征融合的用户身份异常识别方法。由于键盘特征和鼠标特征的差异性,本文提出将每种类型的特征对映一个合适的核函数进行非线性映射,然后通过计算得到每个核的权值求和得到一个组合核,实现多特征融合。本文采用的数据集是通过采集程序在不可控的环境中采集真实用户的鼠标和键盘数据。实验结果表明,采用传统的方法识别效果不理想,而采用所提出的方法,对比单指标,采用双指标特征识别可以得到更稳定更有效的身份异常识别。鼠标和键盘是无网络硬件环境中的输入设备,而在真实虚拟网络中,由于能够模仿人的行为的高级异常用户社交机器人要达到一定的传播目的,在平时就需要与其他用户保持一定的联系,所以社交网络的拓扑结构在一定时间内是结构稳定的。因此,本文提出了基于网络拓扑的社交机器人检测,并采用深度学习方法挖掘隐藏的复杂信息。本文选择Graphsage图嵌入方法并进行改进算法来挖掘深层局部特征,之后融合图嵌入生成的特征矩阵和节点重要属性,作为基于图滤波的图卷积神经网络的输入,因为采用基于图滤波的图卷积神经网络检测既获取全局特征又增加对少量标签的学习率,从而提高检测率。