社会研究学领域的一个重要分支是社交网络的发展,大量用户在社交网络平台上的行为数据的积累带来了社交网络规模的迅速发展。这个平台展示了人们的社会心理,经济政治,商业贸易,交流活动等很多人类文明特性。由于社交网络贮藏了大量的数据,商业销售,决策制定等为了提高商业利益的研究都是基于社交网络进行的,因此出现了一批特殊用户为牟取利益而盗窃数据,发送攻击信息,这类用户为攻击用户。现存的技术绝大部分都主要依赖使用用户之间的关系,由于智能推荐机制的发展,用户的关联或被关联并非出于本人真实喜好或意愿,而是在用户并不十分清楚的情况下,被某种机制自动关联或被关联。为此,本文提出一种不依赖用户之间模糊关系的攻击用户识别方案,通过用户的多维行为数据,提出一个完整的智能地准确地识别出这些垃圾用户识别的方法,利用少量带有标签的数据集,结合半监督的训练特性,不断迭代得到一个最优分类模型。由于攻击用户层出不穷以及对用户和用户之间的通信渠道进行屏蔽会花费代价,在识别出攻击用户之后设计出基于强化学习的屏蔽策略,能够使网络在尽短时间内得到最大程度的恢复。本文首先对攻击用户传播攻击信息进行介绍,然后对用到的技术进行相关介绍,通过对数据的观察分析,建立模型以及迭代优化,并验证模型的正确性,在识别出攻击用户的基础上,根据用户对网络的攻击性大小,基于强化学习提出了智能屏蔽策略,使网络与各节点拥有集中式智能与独立智能,在任何状态下根据屏蔽策略进行屏蔽,提高了平均吞吐率和网络效率,维护网络的环境友好,保证了网络的正常运行。