互联网世界发展日新月异,在线社交网络已经成为人们日常生活中不可或缺的一部分。在线社交网络上涌现出了大量被自动化程序控制的社交机器人,模拟正常人类的浏览行为和活动内容,与正常人类建立信任关系,从而达到发起社会工程学攻击的目的,对网络空间安全造成了不容忽视的危害,在在线社交网络中检测和删除恶意社交机器人已经成为行业和学术界重点关注的领域。现实环境中社交机器人和正常人类用户的数量具有显著差异,目前广泛使用的基于机器学习的机器人检测方法由于不同类别的样本数量失衡会导致分类器出现偏差,少数样本的检测率较低。为了保证社交机器人检测准确率,本文提出了改进的CGAN(Conditional Generative Adversarial Networks),用于解决数据不平衡的问题,同时提出了基于高斯核的密度峰值聚类算法产生条件变量,设计并实现了社交机器人检测系统将理论技术付诸于实践。本文的主要研究成果和创新点如下:(1)提出了基于高斯核的密度峰聚类算法(Gaussian Kernel Density Peak Clustering Algorithm,GKDPCA)。原始 DPC A(Density Peak Clustering Algorithm)采用欧几里得距离来计算数据点的距离。当样本空间线性不可分割时,原始DPCA出现错误分类。使用高斯核距离改进了原始DPCA,通过将有限维的原始数据映射到高维特征空间来测量距离。为了提高所提方法的性能,我们引入了高斯核计算数据点的局部密度。通过高斯核距离实现低维到高维的映射,因此GKDPCA可以检测非球形聚类,并且GKDPCA更适合小数据集,对聚类中心的选取更加精准。(2)提出一种改进的条件生成对抗网络方法,用于解决数据不平衡问题。论文将聚类模型用于CGAN,避免了过采样数据噪声的产生,通过输入特定的条件变量生成对应的样本,消除了社交机器人类别分布之间以及内部的不平衡。同时,通过引入带有梯度惩罚的Wasserstein距离改进了 CGAN收敛判断条件,解决了传统CGAN中模型崩溃和梯度消失的问题。(3)设计并实现了社交机器人检测系统。在提出方法的基础上,本文设计并实现了社交机器人检测系统,主要实现了数据检测和账号检测功能。社交机器人检测系统主要包括数据收集模块、特征提取模块、分类器模型训练模块和社交机器人检测模块,同时介绍了各个模块的主要功能和实现流程,最后为了验证系统的有效性和稳定性,对社交机器人检测系统进行了测试。论文将改进的CGAN与三种常见的过采样算法进行比较,研究了不平衡度和原始数据的采样比例对过采样的影响,实验结果表明,改进的CGAN的性能优于其他采样方法,在F1 score、G-mean、AUC等方面获得了更高的评估分数。同时,针对社交机器人检测系统的测试结果表明该系统能够根据用户的输入准确辨别待检测账号的类别,该系统通过改进的CGAN改善原始数据集的不平衡特性,同时利用平衡数据集训练稳定分类器,鉴别用户的输入样本类别。