随着计算机技术和社交网络的不断进步,人们的通讯在网络上留下了大量的数据,包括大量的信息,对于信息的挖掘和关系的研究成为一项重要课题。而社交网络取证的目的是从人们的交流信息中获取的证据进行保存、分析和提供客观公正、直接有效的第三方的证据。对犯罪移动通讯数据进行分析,可以分析成员之间的关系和整个犯罪网络,可以得出犯罪的核心成员甚至首脑。通过对于这些成员的了解和控制可以打击整个犯罪网络,获得很好的效果。传统的犯罪取证分析可基于网页取证分析和社区结构算法。本文简述了基础社交网络取证模型的构建和流程,介绍了社交网络研究的基本概念,包括:衡量网络中节点重要程度的中心性和相似度计算方法等。其次简述了社交网络的基本特性,以便进行后期的分析研究和模型建立,分别为:小世界特性、无标度性、社区结构和层级特性;最后,简述了网络表示学习算法基础和三个经典的表示学习算法Deepwalk、LINE和Node2vec,进行对比分析采用Node2vec算法把犯罪网络映射到向量空间,合理的保留了网络中节点属性和网络结构等信息,方便计算节点间的关系,同时改进随机游走的过程,通过采用BFS和DFS相结合的方法控制节点的游走方式。本文提出了基于网络表示学习的取证模型SNFA。首先,基于社交网络特性制定网络中可计算节点的选取规则。然后介绍了网络节点的采样和编码过程,采用CBOW模型和Hierarchical Softmax模型实现了节点的向量化表示,同时依据社交网络特性,改进了节点采样的游走方式,趋向于游走到同层级的亲密节点,给出了CBOW模型基于平均随机梯度上升法的梯度更新过程。最后,简述了聚类的方法,在犯罪网络中先采用层次聚类得到整个聚类过程获取最佳簇中心值,再进行迭代重定位实现最优聚类,得到社交网络的核心节点集。利用余弦距离公式和欧式距离相结合,计算得到核心节点集合中各节点的重要程度,进行降序排序得到基于重要程度排序的核心节点序列。本文的主要工作如下:(1)由于传统社区结构算法具有一些弊端,本文采用了网络表示学习的方法,把犯罪网络映射成为向量空间,合理的表达了网络中节点属性和网络结构,采用了Node2vec算法把网络节点表示为向量的形式,同时改进了随机游走方式。(2)本文改进了采样过程的随机游走方式,使用转移概率使游走趋向于同层级、亲密节点。同时给出了CBOW模型基于平均随机梯度上升法的梯度更新过程,使每次更新值平均分配到每一个节点。(3)依据社交网络特性,采用层次聚类的方法获取完整聚类结构,得到最优的聚类簇中心值,再利用迭代重定位的方式得到最优簇中心。采用两种距离计算角度相结合的方法,计算得到的核心节点集合中各节点的重要程度,进行降序排序,得到基于重要程度排序的核心节点序列。