在线社交网络中,异常账户是始终存在的。在现代社会,对于异常账户的检测通常使用的是信息本身的特征来设计,使用基于交互、基于排名、基于数据特征等方式来达到相应的检测目的。但是,基于交互、基于排名的方式需要账户主动操作,会影响账户对社交网络的使用,基于数据特征的方式则偏向于历史数据挖掘。本文使用的KMV模型,是银行业中应用比较广泛的信任风险度量模型之一。KMV模型根据观察对象的历史数据和实时数据,配合Black-Scholes期权定价理论,得到观察对象的预期违约概率,从而进行相应的处理。本文将KMV模型应用在在线社交网络异常账户检测中,主要是为了达到:(1)尝试使用银行业中信任风险度量模型模拟并度量在线社交网络中账户的信任值,得到账户的信任值,方便在线社交网络根据信任值对账户进行相应的分级或是权限控制。(2)将账户的历史数据与实时数据结合,利用KMV模型计算消耗低的特性,实时的检测账户的异常操作,从而将这类操作的危害降到最低。本文主要研究工作如下:首先,研究了在线社交网络的发展与特征,分析几个主要的在线社交网络中的账户特征、行为统计等,为后续的研究中数据类型的选取做了铺垫。其次,研究了异常账户的危害以及相应的在线社交网络对于异常账户的应对方案,对不同的异常账户检测方法进行分析。然后,研究了信任风险评估发展以及相应的模型方法,重点分析了信任风险度量模型中对于参数值的选取以及相应的变量意义,方便后续映射到在线社交网络中。最后,将KMV模型映射到在线社交网络中异常账户检测领域,分析检测结果,提出了一种计算消耗更低,并且能够保持精确度的实时异常账户检测技术。