| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 第一章 绪论 | 第8-15页 |
| 1.1 课题背景 | 第8-12页 |
| 1.1.1 从博客到微博 | 第8-10页 |
| 1.1.2 国内微博的发展和现状 | 第10-11页 |
| 1.1.3 微博恶意行为 | 第11-12页 |
| 1.2 研究目的 | 第12-13页 |
| 1.3 文章结构 | 第13-15页 |
| 第二章 相关研究 | 第15-19页 |
| 2.1 反垃圾邮件技术 | 第15页 |
| 2.2 微博和社交网络反恶意行为技术 | 第15-17页 |
| 2.3 课题研究方法与研究目标 | 第17-18页 |
| 2.4 本章小结 | 第18-19页 |
| 第三章 恶意用户样本获取 | 第19-32页 |
| 3.1 利用蜜罐账户吸引恶意用户 | 第19-25页 |
| 3.1.1 蜜罐账户原理 | 第19-21页 |
| 3.1.2 蜜罐控制程序的实现 | 第21-22页 |
| 3.1.3 新浪微博蜜罐实验结果 | 第22-25页 |
| 3.2 利用微博爬虫程序 | 第25-29页 |
| 3.2.1 微博爬虫程序的设计和实现 | 第25-27页 |
| 3.2.2 恶意用户捕获试验 | 第27-28页 |
| 3.2.3 恶意用户捕获结果 | 第28-29页 |
| 3.3 购买“微博推广服务” | 第29-31页 |
| 3.4 本章小结 | 第31-32页 |
| 第四章 恶意用户特征分析 | 第32-53页 |
| 4.1 恶意用户行为模式分类 | 第32-35页 |
| 4.2 恶意用户行为分析：社会关系特征和微博活跃性特征 | 第35-41页 |
| 4.2.1 社会关系特征分析 | 第36-40页 |
| 4.2.2 微博活跃度特征分析 | 第40-41页 |
| 4.3 微博内容相关特征分析：过度广告型恶意用户 | 第41-44页 |
| 4.4 微博内容相关特征分析：重复转发型恶意用户 | 第44-49页 |
| 4.5 微博内容相关特征分析：过度关注型恶意用户 | 第49-52页 |
| 4.6 本章小结 | 第52-53页 |
| 第五章 自动检测系统设计与实现 | 第53-59页 |
| 5.1 自动检测系统的结构 | 第53-54页 |
| 5.2 机器学习算法与机器学习工具 Weka | 第54-56页 |
| 5.2.1 机器学习算法简介 | 第54-55页 |
| 5.2.2 机器学习工具集 Weka Toolkits | 第55-56页 |
| 5.3 恶意行为分类器的实现 | 第56-58页 |
| 5.3.1 构造训练数据集 | 第56页 |
| 5.3.2 特征选择 | 第56-57页 |
| 5.3.3 机器学习算法的选择 | 第57-58页 |
| 5.4 本章小结 | 第58-59页 |
| 第六章 恶意用户检测系统测试 | 第59-63页 |
| 6.1 构造测试数据集 | 第59页 |
| 6.2 测试方法与评估标准 | 第59-60页 |
| 6.3 测试结果和分析 | 第60-61页 |
| 6.4 本章小结 | 第61-63页 |
| 第七章 总结与展望 | 第63-64页 |
| 致谢 | 第64-65页 |
| 参考文献 | 第65-68页 |
| 攻读硕士学位期间已发表或录用的论文 | 第68-70页 |