随着互联网的高速发展,社交平台已经成为人们学习、生活、工作中不可缺少的一部分。然而垃圾用户和网络水军也呈爆炸式增长,有些人通过脚本创建大量的虚假账号和盗用正常用户的账号,在这些账号所在的社交平台上发布各种广告、钓鱼等垃圾信息,给社交网络的健康发展带来了严重影响。针对这种情况,社交平台通过分析用户的行为数据,对异常用户的检测将具有极其重要的作用和意义。本文通过分析用户行为特性,设计评价指标,实现对可疑行为用户的检测。本文的主要贡献如下:1.提出基于同步行为的可疑用户检测方法及其评价指标。本文抓住同步行为具有密集的特性,采用张量模型的空间表示方法,设计了一种基于泊松分布的概率模型的评价指标,用于量化评价张量中子张量的可疑程度。2.设计了基于评价指标的二叉树分割的多密集块检测算法。本文采用基于随机种子的贪心算法用于单密集块检测,然后将二叉树分割和贪心算法相结合,检测张量中的多密集块,通过实验仿真分析了该算法的可行性。3.设计了基于张量流的密集块检测算法,用于实时检测具有同步行为的可疑用户。首先,设计了一种改进的贪心算法,对静态张量中的密集块进行检测,然后,根据计算公式快速发现张量中发生变化的位置索引,重新排序该索引集合,并判断是否需要重新进行单密集块检测,从而实现对张量流中的密集块检测,最后,通过实验仿真验证了该算法的可行性。