Ｓｏｆｔｗａｒｅ ａｎｄ Ａｌｇｏｒｉｔｈｍｓ 基于共犯网络结构的有组织犯罪集团挖掘方法 唐德权’，史伟奇 ，凌志刚 （１．湖南学院信息技术（网监）系，湖南长沙４１０１３８； ２．湖南大学电气与信息工程学院，湖南长沙４１００８２） 摘 要：有组织犯罪集团挖掘是目前数据挖掘技术研究的热点。利用共犯网络结构提出一种新 的有组织犯罪集团挖掘的方法。该方法能从大型真实犯罪数据集获取有组织犯罪集团信息，提高了 有组织犯罪集团检测效率。实验结果表明，该方法能分析出有组织犯罪集团特征演变轨迹，对挖掘有 组织犯罪集团证据可行、有效。 关键词：数据挖掘；共犯网络；有组织犯罪集团；检测效率 中图分类号：ＴＰ３１１．２ 文献标识码：Ａ 文章编号：１６７４—７７２０（２０１５）１２—００１７—０３ Ｍｉｎｇ ｍｅｔｈｏｄ ｏｆ ｏｒｇａｎｉｚｅｄ ｃｒｉｍｅ ｂａｓｅｄ ｏｎ ｃｏ－ｏｆｆｅｎｄｉｎｇ ｎｅｔｗｏｒｋｓ Ｔａｎｇ Ｄｅｑｕａｎ ，Ｓｈｉ Ｗｅｉｑｉ ，Ｌｉｎｇ Ｚｈｉｇａｎｇ （１．Ｄｅｐａｒｔｍｅｎｔ ｏｆ Ｉｎｆｏｒｍａｔｉｏｎ Ｔｅｃｈｎｏｌｏｇｙ，Ｈｕｎａｎ Ｐｏｌｉｃｅ Ａｃａｄｅｍｙ，Ｃｈａｎｇｓｈａ ４１０１３８，Ｃｈｉｎａ； ２．Ｃｏｌｌｅｇｅ ｏｆ Ｅｌｅｃｔｉｃａｌｒ ａｎｄ Ｉｎｆｏｒｍａｔｉｏｎ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｈｕｎａｎ Ｕｎｉｖｅｒｓｉｔｙ，Ｃｈａｎｇｓｈａ ４１００８２，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｏｒｇａｎｉｚｅｄ ｃｒｉｍｅ ｇｒｏｕｐ ｍｉｎｉｎｇ ｉｓ ａ ｈｏｔ ｓｐｏｔ ｉｎ ｔｈｅ ｃｕｒｒｅｎｔ ｄａｔａ ｍｉｎｉｎｇ ｔｅｃｈｎｏｌｏｇｙ．ｓｏ ｔｈｉｓ ｐａｐｅｒ ｐｒｏｐｏｓｅｄ ａ ｎｅｗ ｍｅｔｈｏｄ ｏｆ ｏｒｇａｎｉｚｅｄ ｃｒｉｍｅ ｇｒｏｕｐ ｍｉｎｉｎｇ ｕｓｉｎｇ ＣＯ－ｏｆｆｅｎｄｉｎｇ ｎｅｔｗｏｒｋｓ ａｎａｌｙｓｉｓ ｍｅｔｈｏｄｓ．Ｔｈｅ ｍｅｔｈｏｄ ｃａｎ ｉｍｐｒｏｖｅ ｔｈｅ ｅｆｉｃｉｅｎｃｙ ｏｆ ｆｔｈｅ ｏｒｇａｎｉｚｅｄ ｃｒｉｍｅ ｄｅｔｅｃｔｉｏｎ ｆｏｒ ｅｘｔｒａｃｔｉｎｇ ｉｎｆｏｒｍａｔｉｏｎ ｆｒｏｍ ｌａｒｇｅ ｒｅａｌ－ｌｉｆｅ ｃｒｉｍｅ ｄａｔａｓｅｔｓ．Ｅｘｐｅｒｉｍｅｎｔｓ ｓｈｏｗ ｔｈａｔ ｔｈｉｓ ｍｅｔｈｏｄ ｃａｎ ａｎａｌｙｚｅ ｔｈｅ ｅｖｏｌｕｔｉｏｎ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｆ ｏｒｇａｎｉｚｅｄ ｃｒｉｍｅ ｇｒｏｕｐ，ｅｆｆｅｃｔｉｖｅｌｙ ｅｘｃａｖａｔｅ ｏｒｇａｎｉｚｅｄ ｃｒｉｍｅ ｅｖｉｄｅｎｃｅ． Ｋｅｙ ｗｏｒｄｓ：ｄａｔａ ｍｉｎｉｎｇ；ｃｏ－ｏｆｆｅｎｄｉｎｇ ｎｅｔｗｏｒｋｓ；ｏｒｇａｎｉｚｅｄ ｃｒｉｍｅ ｇｒｏｕｐｓ；ｄｅｔｅｃｔｉｏｎ ｅｆｉｃｉｆｅｎｃｙ ０引言 共犯网络结构分析是理解有组织犯罪成因和干预 的共同犯罪组织，定义模型中，Ｃ。‘，Ｃ ，…， 指ｎ个罪 犯组在时间ｔ的共犯网络。 定义２有组织犯罪集团 策略影响的关键，即如何在共犯网络结构基础上对有组 织犯罪集团证据进行挖掘…。本文抓住有组织犯罪集团 检测计算方法的关键——共犯网络，利用小团体的扩展 渗透法匹配犯罪集团中的某个单元．提出了共犯网络分 析视角 （Ｃｏ—ｏｆｆｅｎｄｉｎｇ Ｎｅｔｗｏｒｋｓ ＡｎＭｙｓｉｓ Ｐｅｒｓｐｅｃｔｉｖｅ， 在理论上ｆ２］，有组织犯罪集团和犯罪集团的两个概 念至少在３个基本方面不同：（１）组织规模和动机；（２） 合作的时间间隔；（３）犯罪活动的类型。然而在实践中， 有组织的犯罪集团和犯罪集团之间的区别并不总是清 晰的。这也给研究带来了许多挑战。在以下模型中，用 Ｏｌ ，Ｄ ，…，Ｏ７表示在时间ｔ共犯网络中有ｍ个有组织 犯罪集团。 ＣＮＡＰ）算法，并在大型真实犯罪数据集进行实验。实验 结果表明，在共犯网络结构分析上，该方法极大地提高了 有组织犯罪分析计算速度，而且保持了较高的有效性。 １概念 定义１罪犯组 ２有组织犯罪集团检测 ２．１罪犯组检测 指３人以上为了实施一种或几种犯罪而组织起来 ｝基金项目：国家高新技术研究发展计划（８６３计划）（２０１２ＡＡ１１２３１２）；教育部 高等学校博士学科点专项科研基金（２０１１０１６１１２０００６）；湖南省教育规划 课题阶段性成果（信息素质教育理念及实战能力培养研究 ＸＪＫ０１３ＣＸＸ０１２）；湖南省厅科研基金（湘公科信明电（２０１３）５６号） 该方法的第一步是建立Ｋ一结点的罪犯组网络，彼 此共享至少ｋ一１结点的相邻Ｋ一结点网络［３１。假设ｋ＝３， 因为有组织犯罪集团至少有３个成员，每个组可能属于 不同的社区但有共同交叉结点，因此该罪犯组既有 《微型机与应用》２０１５年第３４卷第１２期 欢迎网上投稿ＷＷＷ．ｐｃａｃｈｉｎａ．ｃｏｍ １７ Ｓｏｆｔｗａｒｅ ａｎｄ Ａｌｇｏｒｉｔｈｍｓ 重叠的成员还有普通成员。将这些成员分配到每个罪犯 组形成内核Ｋ（Ｃ ），内核是一个犯罪集团主要的成员， 是完全参与该犯罪组活动。第二步，将邻居结点直接连 接到内核添加到罪犯组，这些结点被称为外围，用 Ｐ（ ）表示。 ２．２有组织犯罪集团检测 犯罪活动和犯罪行为是理解犯罪集团组织结构两 个关键特征【 。下面提出两个操作算子对犯罪活动和行 为进行计算。 犯罪集团Ｃ；在时间ｔ犯罪行为表示为 （Ｃ ），定义为： （Ｇ）：∑ （１） ｌ ｎ 其中， 表示某个罪犯 的严重程度，即犯罪集团Ｇ成 员在ｔ时刻的犯罪行为。 设ｉ ，ｉ ，…，ｉ 是Ｇ在时间ｔ的犯罪成员，犯罪集团 Ｃ在时间ｔ 到时间ｔ２的活动记为０ ，（Ｃ ），计算公式如下： ＝ （２） 其中，ｌ ．（Ｃ ）ｌ和ＩＲ （Ｇ）１分别表示犯罪集团Ｇｌ在时刻ｔ。 和时刻ｔ 共犯次数。 为了确定发现罪犯组是否被认为是有组织犯罪集 团．必须同时考虑犯罪活动和犯罪行为，定义两个阈值： Ｏｔ表示犯罪活动和 表示犯罪行为。如果０（Ｃ ）＞ ，那么 给定的犯罪集团Ｃ就是活动的犯罪集团Ａ；如果 （Ｃｉ） ＞ ，那么Ｃ就是一个严重犯罪集团。 ２．３有组织犯罪集团演化模型 这个模型需要确定原来的某个犯罪集团已经演变 当前的某个犯罪集团。一个犯罪集团的一个周期会出现 ５个阶段：产生、、合并、出现和终止ＩＳ］。为此，引入一 个匹配的函数Ｆ： Ｆ：Ｔ×２ — （３） 其中， 表示一个犯罪组织集合， 表示 的幂集。给定 一个有组织犯罪集团Ｏ 和有组织犯罪集团集合 ，如果 Ｆ（０ ，ｇ）得出集团０ 与０ 有最大的交集超过给定的 阈值Ａ，形式定义如下： Ｆ（０ ， ）≥ｏ／ Ｖｏ／ ：０ “Ｅ ＾Ｐ（０ ｏ／“）≥Ｐ（０ Ｏ／ ）八Ｐ（０ Ｏ ）Ａ （４） 这里两个有组织犯罪集团０，０ ∈ ，Ｐ（０，０ ）定义 如下： Ｐ（Ｏ，０ ｍｉｎ（ ， ） （５） 算法１有组织犯罪集团检测 输人： （１）犯罪事件数据集； （２）Ｃｒｉｍｅ ｓｅｒｉｏｕｓｎｅｓｓ ｉｎｄｅｘ（犯罪程度索引）； （３）犯罪活动和犯罪行为的阈值： ，卢。 输出：有组织犯罪集团０ ，Ｄ ，…，０ １８ （１）， 数据准备 ／； （２）扫描在Ｉｔ ，ｔ １时间之间每个犯罪事件集； （３）抽取共犯网络： （４）检测犯罪组织Ｃ。 ，Ｃ ，…Ｃ／； （５）对每个犯罪组织Ｃ／∈Ｃｔ做第（６）步和（７）步； （６）计算组织犯罪活动阈值 ”； （７）计算组织犯罪行为阈值 ； （８）对满足阈值的犯罪组织标识为有可能组织犯罪 集团； （９）对每个犯罪组织候选集０ 进行第（１０）步； （１０）评估出犯罪组织物质利益； （１１）对有组织犯罪集团，０ ‘，０２＇，…，０ ，应用演变跟 踪模型。 ３实验结果 ３。１犯罪数据集 为了验证方法的有效性，实验数据采用加拿大不列 颠哥伦比亚省ａｒｒｅｓｔ—ｄａｔａ犯罪数据集［６１，该数据集记录 了从２００１—８—１至２００６—７—３ｌ共５年的犯罪数据。 图１显示了活跃罪犯组的数量随着第１、２、３、４这 ４段时间观察到的区别。值得注意的是，随着时问的推 移，活跃犯罪组的数量急剧下降。在ａ值较高时从一个 时问段到下一个时问段连续活动明显可见，这一发现印 证了犯罪组织的短期合作的理论Ｉ 。 时间段 图ｌ ４个时间段连续活跃罪犯组数量 ３．２罪犯组演变 因为不知道第一步以前的历史时间和最后一次未 来时间，在有限的可观测时间跨度里对罪犯组的整个生 命周期进行量化工作非常困难［８］。 在５个不同时间段各罪犯组的演化轨迹统计如 图２所示。匹配函数的阈值０．３适用于考虑幸存一 组，值大于０．２和小于０．３分别适用于和合 并，组匹配阈值小于０．２被认为是终止罪犯组。总 体而言（平均而言），所有罪犯群体大约１４％幸存， 但和合并事件很少发生，不到犯罪组的１％。 大约８８％的罪犯组被认为是终止了，因为在接下来 的时间并没有观察到他们的活动，所有组织中９Ｏ％ 是新出现的犯罪组。 《微型机与应用》２０１５年第３４卷第１２期 Ｓｏｆｔｗａｒｅ ａｎｄ Ａｌｇｏｒｉｔｈｍｓ Ｃｏｍｐｕｔａｔｉｏｎ，２０１０：１ １７９—１ １８６． ｆ３】ＳＡＴＵＬＵＲＩ Ｖ，ＰＡＲＴＨＡＳＡＲＡＴＨＹ Ｓ．Ｓｃａｌａｂｌｅ ｇｒａｐｈ ｃｌｕｓ— ｔｅｒｉｎｇ ｕｓｉｎｇ ｓｔｏｃｈａｓｔｉｃ ｆｌｏｗｓ：ａｐｐｌｉｃａｔｉｏｎｓ ｔｏ ｃｏｍｍｕｎｉｔｙ ｄｉｓ－ ｃｏｖｅｙ［ｒＣ］．ＫＤＤ，Ｐａｒｉｓ，Ｆｒａｎｃｅ，２００９：７３７—７４６． 【４】ＩＮＯＫＵＣＨＩ Ａ，ＷＡＳＨＩＯ Ｔ．Ｍｉｎｉｎｇ ｆｒｅｑｕｅｎｔ ｇｒａｐｈ ｓｅ－ ｑｕｅｎｃｅ ｐａｔｔｅｒｎｓ ｉｎｄｕｃｅｄ ｂｙ ｖｅｒｔｉｃｅｓ【Ｃ】．Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＳＩＡＭ Ｉｎｔ １ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｄａｔａ Ｍｉｎｉｎｇ，２０１０：４６６—４７７． ２ ３ ４ ５ 【５】ＭＩＣＨＥＬＬＥ Ｇ，ＮＥＷＭＡＮ Ｍ Ｅ Ｊ．Ｃｏｍｍｕｎｉｔｙ ｓｔｒｕｃｔｕｒｅ ｉｎ ｓｏｃｉａｌ ａｎｄ ｂｉｏｌｏｇｉｃａｌ ｎｅｔｗｏｒｋｓ［Ｊ］．ＰＮＡＳ，２００２，９９（１２）： ７８２１－７８２６． 图２罪犯组演变轨迹 ４结论 为提高有组织犯罪集团证据计算效率，本文提出基 于共犯网络结构分析技术。实验结果表明，虽然罪犯在 犯罪集团中的合作是连续的，但大多数犯罪组织的活动 不会持续很长时间。另外．活跃的犯罪组织通常有更多 的外围，相比之下严重的犯罪组织外围成员偏少，这一 发现表明，严重犯罪组织的运作主要来自他们的内核成 员。在未来的工作中将探索有组织犯罪的组织结构，区 ［６］ＴＡＹＥＢＩ Ｍ Ａ，ＧＬＡＳＳＥＲ Ｕ．Ｏｒｇａｎｉｚｅｄ ｃｒｉｍｅ ｓｔｒｕｃｔｕｒｅｓ ｉｎ ＣＯ—ｏｆｆｅｎｄｉｎｇ ｎｅｔｗｏｒｋｓ［Ｃ】．Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ Ｉｎｔｅｎａｔｒｉｏｎａｌ Ｃｏｎ— ｆｅｒｅｎｃｅ ｏｎ Ｓｏｃｉａｌ Ｃｏｍｐｕｔｉｎｇ ａｎｄ ｉｔｓ Ａｐｐｌｉｃａｔｉｏｎｓ，Ｓｙｄｎｅｙ， Ａｕｓｔｒａｌｉａ，Ｄｅｃ．２０１ １． ［７】ＮＧＵＹＥＮ Ｎ Ｐ，ＤＩＮＨ Ｔ Ｎ，Ｙｉｎｇ Ｘｕａｎ，ｅｔ ａ１．Ａｄａｐｔｉｖｅ ａｌ・ ｇｏｒｉｔｈｍｓ ｆｏｒ ｄｅｔｅｃｔｉｎｇ ｃｏｍｍｕｎｉｔｙ ｓｔｒｕｃｔｕｒｅ ｉｎ ｄｙｎａｍｉｃ ＳＯ— ｃｉａｌ ｎｅｔｗｏｒｋｓ［Ｃ１．Ｓｈａｎｇｈａｉ：Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ＩＥＥＥ Ｉｆｏｃｎｏｍ １１，２０１１：２２８２—２２９０． 分层次组织和分散组织，并分析这些结构演变轨迹。 参考文献 【１】ＭＣＧＬＯＩＮ Ｊ Ｍ，ＮＧＵＹＥＮ Ｈ．Ｔｈｅ ｉｍｐｏｒｔａｎｃｅ ｏｆ ｓｔｕｄｙｉｎｇ 【８】ＢＡＣＫＳＴＲＯＭ Ｌ，ＨＵＴＦＥＮＬＯＣＨＥＲ Ｄ，ＫＬＥＩＮＢＥＲＧ Ｊ，ｅｔ １．Ｇｒｏｕｐ ｆｏｒｍａｔｉａｏｎ ｉｎ ｌａｒｇｅ ｓｏｃｉａｌ ｎｅｔｗｏｒｋｓ：ｍｅｍｂｅｒｓｈｉｐ， ｇｒｏｗｔｈ ａｎｄ ｅｖｏｌｕｔｉｏｎ【Ｃ】．Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＫＤＤ，２００６： ４４－５４． ｃｏ－ｏｆｆｅｎｄｉｎｇ ｎｅｔｗｏｒｋｓ ｆｏｒ ｃｒｉｍｉｎｏｌｏｇｉｃａｌ ｔｈｅｏｒｙ ａｎｄ ｐｏｌｉｃｙ［Ｃ］． Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ Ｔｈｉｒｄ Ａｎｎｕａｌ Ｉｌｌｉｃｉｔ Ｎｅｔｗｏｒｋｓ Ｗｏｒｋｓｈｏｐ， （收稿Ｅｔ期：２０１５—０１—２８） Ｍｏｎｔｒｅａｌ，Ｑｕ６ｂｅｃ，Ｏｃｔｏｂｅｒ ２０１１． 【２】ＫＩＭ Ｍ Ｓ，ＨＡＮ Ｊ Ｗ．Ａ ｐａｒｔｉｃｌｅ—ａｎｄ—ｄｅｎｓｉｔｙ ｂａｓｅｄ ｅｖｏｌｕ— 作者简介： 唐德权（１９７９一），通信作者，男，硕士，讲师，主要研究方 向：信息安全、数据挖掘。Ｅ—ｍａｉｌ：ｔｄｑ５２５＠１２６．ｃｏｒｎ。 史伟奇（１９６７一），男，硕士，教授，主要研究方向：信息安 全．计算机取证。 凌志刚（１９７６一），男，博士后，副教授，主要研究方向：图 像处理、计算机视觉与模式识别。 ｔｉｏｎａｒｙ ｃｌｕｓｔｅｒｉｎｇ ｍｅｔｈｏｄ ｆｏｒ ｄｙｎａｍｉｃ ｎｅｔｗｏｒｋｓ［Ｊ］．Ｐｒｏｃｅｅｄ— ｉｎｇｓ ｏｆ Ｖｅｒｙ Ｌａｒｇｅ Ｄａｔａ Ｂａｓｅ Ｅｎｄｏｗｍｅｎｔ，２００９，２（１）： ６２２－６３３． 【８］ＫＩＭ Ｋ，ＭＣＫＡＹ Ｒ，ＭＯＯＮ Ｂ Ｒ．Ｍｕｈｉｏｂｊｅｃｔｉｖｅ ｅｖｏｌｕｔｉｏｎ— ａｒｙ ａｌｇｏｒｉｔｈｍｓ ｆｏｒ ｄｙｎａｍｉｃ ｓｏｃｉｌａ ｎｅｔｗｏｒｋ ｃｌｕｓｔｅｒｉｎｇ［Ｃ］． Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ １２ｔｈ Ｃｏｎｆ．Ｇｅｎｅｔｉｃ ａｎｄ Ｅｖｏｌｕｔｉｏｎａｒｙ 《微型机与应用》２０１５年第３４卷第１２期 欢迎网上投稿ＷＷＷ．ｐｃａｃｈｉｎａ．ｃｏｍ １９
