社交网络的出现为人们彼此间的交流提供了便利,极大地促进了信息的传播。然而,社交网络社交环境开放,社交方式多样以及信息存储集中等特点也给恶意节点发起攻击,获取非法利益提供了契机。女巫攻击者制造大量虚假女巫节点相互合谋,协同攻击,为社交网络恶意节点多种攻击行为提供强有力支持,极大地提高了其攻击强度,严重威胁社交个体利益及系统安全;此外,女巫节点高相似度伪装成正常节点,相互协作躲避检测给女巫节点的识别造成巨大困难。设计高效的女巫节点检测机制,防御女巫攻击,维护社交个体利益及系统安全刻不容缓。首先,本文对社交网络基本概念及其关键技术进行了概述,分析了社交网络中存在的安全性问题,阐述了社交网络中检测女巫节点,防御女巫攻击的必要性,并对当前社交网络中带有女巫节点检测的女巫攻击防御策略进行了总结。其次,在对女巫节点行为特征分析的基础上,提出一种适用于社交网络的女巫攻击防御策略,计算节点间静态相似度和动态相似度评估节点影响力,并根据节点影响力筛选可疑节点;观察可疑节点的异常行为,利用隐形马尔科夫模型推测女巫节点通过伪装所隐藏的真实身份,精确检测女巫节点,有效防御女巫攻击。数值分析表明,所提机制能有效提高女巫节点的识别率,降低误检率,更好地保护社交个体的隐私和利益。再次,为了进一步提高防御策略检测女巫节点的准确度、灵敏度及可扩展性,提出一种适用于大规模社交网络基于支持向量机的社交网络女巫攻击防御策略,设计端云协同的女巫节点检测系统,及时收集并处理节点行为信息;分析女巫节点与正常节点社交行为差异,评估节点活跃度,声望值以及恶意度组成节点行为特征向量;利用支持向量机设计节点分类器,学习节点行为,确定节点状态,实现女巫节点检测。仿真结果表明,所提机制能进一步提高女巫节点的识别率,降低误检率,更加精确及时地检测女巫节点,且具有更好的可扩展性和检测灵敏度。最后,对本文的研究工作进行总结,并展望未来的研究工作。