An intelligent model for vulnerability analysis of social media user

Abstract

Her gün, dünyada (OSN) Online sosyal ağ kullanıcılar sayısı artıyor, ziraOnline ağlar üzerinden faaliyetlerin türleri kullanıcılar tarafındangerçekleştirilen türler sayısı da artıyor, bu gibi artışla saldırıların sayılarıartışını getiriyor ve buda ağ ve bilgisayar sistemlerine nüfuz tehditlerdaha fazla olmasını getiriyor. bu artış aynı zamanda eğilimleri deetkiliyor zira saldırganların politikaları kullanıcının güvenlik açıklarınakarşı avantaj elde etmek yanında sistem açıklarını aşmakla OSN kullanıcılarını yenilgiye uğratmak istiyorlar. İlk olarak Saldırganlarınpolitikasını araştırmak için OSN kullanıcılar üzerinde olan amaçlarınıbilmek için Çalışmalar yapılmıştır, ve ikincisi. Daha sonra OSNkullanıcılarına bazı bilincin sağlamak içindir. Bu çalışmaların amacı,Sistem enfeksiyonları en aza indirmek için bu tür bilinci ile OSNkullanıcıları eğitmek içindir. Ancak, Ortak kullanıcılar anlamak içinbilincin zordur bunun yanı sıra, Kullanıcıların OSN tabanlı saldırılar vetehditlere karşı güvenlik açığı derece öğrenmek için ölçülebilir bir rakamoldu. Amacımız akıllı tabanlı bir model inşa etmek ve OSN kullanıcıdavranışları ile ilgili en yaygın saldırılara ve tehditlere karşı bir OSNkullanıcı açıklarını değerlendirmek mümkün olması içindir. ÇalışmaYapay Sinir Ağı kullanmaktadır ve akıllı modeli olarak ileri beslemeligeri yayılım öğrenme yöntemine dayanmıştır. Bu işte, her odaklı saldırıpolitikası arasındaki ilişkileri belirledik ve saldırıya karşı OSN kullanıcıdavranışıdır. Çalışmalarımız iki ülkede 1000 OSN kullanıcıları arasındaolan davranışlarını toplandı, bu işlem vasıtasıyla (703) OSN kullanıcıdavranışları kaydedilmiştir, toplanan kayıtlar eğitmek için ayarlanmış birveri girişi ve önerilen akıllı modeli testi oldu. Önerilen modelindoğruluğu bir ülkeden elde edilen veri kümesi ile modeli eğitim yoluylagörünmeyen verilere karşı test edilmiştir ve başka bir ülkede elde edilenveriler dizi test. Modelin performansı iki farklı göstergeler aracılığıylakontrol edilmiştir İlk karekök hataları anlama olduğunu (RMSE), veikinci, ortalama mutlak hatalar (RMSE) 'dir göstergeleri arasında en iyiperformans ve testler ise (1.5153e- 08). iş doğrulayarak başka bir testyapmış Önemli akıllı modellere karşı modeli, hangi SVM olduğunu Hemperformans göstergeleri BPNN kabiliyeti bu modelde SVM daha iyiolduğunu göstermiştir.

Every day, the number of online social network (OSN) users over the world are increasing, and the type of activities that performed by such users over online networks are increasing too. Such increase brings the interest of attackers and threats to penetrate network and computer systems more. These increase also affects the trends and the policies of attackers to get advantages from user vulnerabilities rather than system vulnerabilities to overcome systems and defeat OSN users. Studies have been done to investigate the policy of attackers that aimed to get over the OSN users, firstly, and then provide some awareness to OSN users, secondly. The aim of those studies is to educate OSN users with such awareness to minimize system infections. However, awareness is difficult for common users to understand, besides, there was no measureable figure for users to find out their vulnerability degrees against OSN based attacks and threats. Our goal is to build an intelligent based model that is able to evaluate the vulnerabilities of an OSN user against the most common attacks and threats that are related to OSN user behaviors. The study has utilized Artificial Neural Network as an intelligent model, and has depended on the feed forward back propagation learning method. In this work, we have identified the relations between the policy of each focused attack and the behavior of OSN users. Our work has collected behaviors among 1000 OSN users in two countries, and through this process behaviors of (703) OSN users have been recorded. The collected records become an input data set to train and test the proposed intelligent model.The accuracy of the proposed model has been tested against unseen data through training the model with the dataset that obtained from a country and testing it by the dataset that obtained from other country. The performance of the model has been checked through two different indicators; the first is root mean square errors (RMSE) and the second is mean absolute error (MAE). The best performance among indicators and tests is (1.5153e-08). The work has done another test by validating the model against an important intelligent models, which is SVM. Both performance indicators showed that ability of BPNN is better than SVM in this model.