1. 提出了一种基于联邦学习的恶意用户检测层次化架构
如何在保障用户隐私和数据安全的前提下，融合多方数据进行建模分析是本课题的研究核心。为此，本文提出了一种以联邦学习为核心的社交网络跨平台恶意检测方案，首先对多源异构数据进行预处理，采用加密样本对齐和加密模型训练方法，构建数据预处理层、样本对齐层、联邦学习层、数据应用层等层次化社交网络跨平台恶意用户检测架构。
2. 提出了一种面向多方隐私保护的恶意用户检测算法
目前，传统的恶意用户检测算法都是基于传统机器学习方法实现的，如半监督聚类、支持向量机的分类器等，而这些恶意用户检测算法都成功应用都是基础社交大数据基础上，通过大规模采集多方用户数据的特征进行建模分析，实现高效率的检测结果。然而，随着法律法规的健全，未经用户允许，擅自将用户数据整合到一起已经明令禁止。因此本文对联邦安全提升树的算法进行了分析和改进，提出了一种面向多方隐私保护的恶意用户检测算法，通过算法中使用隐私保护技术（同态加密），确保了数据安全和用户隐私，同时该算法是一种端到端梯度下降算法，也具备和传统机器学习方法同样的准确性。
3. 恶意用户检测技术在多媒体社交平台CyVOD应用
为证明上述方案的安全性和有效性，本项目采用真实的多媒体社交网络平台进行评估实验，基于现实社交网络平台实验研究分析，所提出的方案不仅具有安全性，更具有准确性。
