陈 芮，杨 新，罗珺方，陈 阳

(1.西南财经大学 经济信息工程学院，成都 611130；2.西南财经大学 金融智能与金融工程四川省重点实验室，成都611130；3.清华大学 自动化系，北京 100084)

0 引 言

互联网在给人们带来便利的同时，也助长了黑灰产业的发展。黑灰产业在网络中利用非法或作弊的手段牟取利益，例如恶意抢券、木马刷量、电信诈骗等。其中，黑灰产业在谋取不正当利益时，通过寻找网络中的漏洞，自动生成或盗取他人信息，生成虚拟的用户，进行套利、发布广告、网络欺诈和制造不良舆论等[1]。这一类无价值的虚拟用户，给网络管理带来了不便，甚至会给相关主体带来巨大损失，亟需有效的方法对这一类异常用户进行检测和识别。

国内外现有对于异常用户检测的方法呈现出智能化、自动化的趋势，为了解决数据类别分布不均的问题，普遍采用了集成学习的方法来应对异常用户识别的问题。例如，文献[2]根据社交网络中的用户信息，利用集成分类器XGBoost进行特征选择，建立分类模型；文献[3]利用XGBoost对电力行业中的异常用户进行识别，发现该方法优于其他传统的机器学习方法，并且能够应对类别不平衡的问题。此外，文献[4]利用用户的个人特征及用户之间的关系，构建了基于图卷积网络的异常用户识别方法。虽然集成学习以及深度学习算法在异常识别中得到了大量的研究，并在异常用户识别中取得了良好的效果[5]，但是，其大多是关注于如何减轻类别分布不平衡给检测算法带来的影响，而忽略了检测过程中的代价，未考虑实际的应用情形。……