基于深度Q-学习和粒子群优化的僵尸检测算法*

顾 伟 任勇军

（南京信息工程大学计算机与软件学院 南京 210044）

1 引言

活跃于社交网络平台的社交机器人（Social Bot，SB）实质是一个自动计算机程序［1］。这些SBs可分为僵尸SB、干扰SB和诚意SB。这些恶意SBs也称为僵尸攻击，它们分布于垃圾邮件、钓鱼网。干扰SBs用于操控在线评论和评分，进而干扰用户的行为［2］。而诚意SBs正常地发布产品消息、新闻资信。

现有多种检测在线社交网络上的僵尸［3～4］算法。然而，僵尸会动态地改变其行为，进而避免检测。目前主要有基于机器学习、基于众包（Crowdsourcing）和基于社会图谱的僵尸检测算法。

基于机器学习的检测算法通过考虑多项特征数据，从SBs中分离合法的SB。文献［5］提出基于随机森林分类器的BotorNot检测算法。文献［6］采用了基于深度Q-学习的僵尸检测算法。

基于众包的检测算法是利用专家库构建评判标准，进而对SB进行分类。例如，文献［7］针对2000个账户数据，并基于10个专家评判，建立分类标准。

基于社会图谱的检测算法是采用社会网络图谱对SB进行分类。目前，有基于用户间的社会信任关系和基于中心测量和图拓扑两种类型。文献［8］采用基于Sybil随机-漫步的方法检测Sybil用户，其中不信任用户的分数最低，而合法用户的分数最高。文献［9］采用了基于中心测量的算法，并提出了基于神经网络、随机森林和决策树分类器。

在传统的Q-学习算法中，所有学习动作均需计算其Q值。因此，Q-学习算法的收敛速度很慢，增加了存储所有动作的Q-值的空间。

为此，提出基于深度Q-学习和粒子群优化的僵尸检测（Deep Q-Learning and Particle Swarm Optimization-based Bot Detection，DQL-PSO）算法。……