A far-reaching expansion of advanced information technology enables ease and seamless communications over online social networks, which have been a de facto premium correspondents in the current cyber world. The ever-growing social network data has gained attention in recent years and can be handy for industrial revolution 4.0. With the integration of social networks with the Internet of Things being noticed in different industries to enhance human involvement and increase their productivity, security in such networks is increasingly alarming. Vulnerabilities can be characterized in the form of privacy invasion, leading to hazardous contents, which can be detrimental to social media actors and in turn impact the processes of the overall Social Network-Integrated Industrial Internet of Things (SN-IIoT) ecosystem. Despite this prevalence, the current platforms do not have any significant level of functionality to capture, process, and reveal unhealthy content among the social media actors. To address those challenges by detecting hazardous contents and create a stable social internet environment within IIoT, a statistical learning-enabled trustworthy analytic tool for human behaviors has been developed in this paper. More specifically, this paper proposes a machine learning (ML)-enabled scheme SPY-BOT, which incorporates a hybrid data extraction algorithm to perform post-filtering that arbitrates the users’ behavior polarity. The scheme creates class labels based on the featured keywords from the decision user and classifies suspicious contacts through the aid of ML. The results suggest the potential of the proposed approach to classify the users’ behavior in SN-IIoT.

先进信息技术的深远扩展使在线社交网络上的通信变得轻松和无缝，这已成为事实上的当前网络世界中的高级记者。不断增长的社交网络数据近年来受到关注，可以为工业革命 4.0 派上用场。随着社交网络与物联网的整合在不同行业中被注意到，以增强人类参与度和提高生产力，此类网络的安全性越来越令人担忧。漏洞的特征在于侵犯隐私的形式，导致危险内容，这可能对社交媒体参与者有害，进而影响整个社交网络集成工业物联网 (SN-IIoT) 生态系统的进程。尽管这种流行，当前的平台没有任何重要的功能来捕获、处理和揭示社交媒体参与者之间的不健康内容。为了通过检测危险内容并在 IIoT 中创建稳定的社交互联网环境来应对这些挑战，本文开发了一种基于统计学习的可信赖的人类行为分析工具。更具体地说，本文提出了一种支持机器学习 (ML) 的方案 SPY-BOT，它结合了混合数据提取算法来执行对用户行为极性进行仲裁的后过滤。该方案根据决策用户的特征关键字创建类别标签，并通过 ML 的帮助对可疑联系人进行分类。结果表明所提出的方法在对 SN-IIoT 中的用户行为进行分类方面具有潜力。本文开发了一种基于统计学习的可信赖的人类行为分析工具。更具体地说，本文提出了一种支持机器学习 (ML) 的方案 SPY-BOT，它结合了混合数据提取算法来执行对用户行为极性进行仲裁的后过滤。该方案根据决策用户的特征关键字创建类别标签，并通过 ML 的帮助对可疑联系人进行分类。结果表明所提出的方法在对 SN-IIoT 中的用户行为进行分类方面具有潜力。本文开发了一种基于统计学习的可信赖的人类行为分析工具。更具体地说，本文提出了一种支持机器学习 (ML) 的方案 SPY-BOT，它结合了混合数据提取算法来执行对用户行为极性进行仲裁的后过滤。该方案根据决策用户的特征关键字创建类别标签，并通过 ML 的帮助对可疑联系人进行分类。结果表明所提出的方法在对 SN-IIoT 中的用户行为进行分类方面具有潜力。该方案根据决策用户的特征关键字创建类别标签，并通过 ML 的帮助对可疑联系人进行分类。结果表明所提出的方法在对 SN-IIoT 中的用户行为进行分类方面具有潜力。该方案根据决策用户的特征关键字创建类别标签，并通过 ML 的帮助对可疑联系人进行分类。结果表明所提出的方法在对 SN-IIoT 中的用户行为进行分类方面具有潜力。