黑客社區(qū)不同意圖信息分享的雙路徑模型研究

王志英，刁旸妍

(1.江蘇科技大學(xué) 經(jīng)濟(jì)管理學(xué)院，江蘇 鎮(zhèn)江 212100；2.江蘇科技大學(xué) 江蘇高校哲學(xué)社會科學(xué)重點研究基地，江蘇 鎮(zhèn)江 212100)

黑客多指未經(jīng)授權(quán)訪問他人計算機(jī)和計算機(jī)網(wǎng)絡(luò)的個人，其目的是操縱、竊取、記錄或更改數(shù)據(jù)或結(jié)構(gòu)，黑客社區(qū)作為新興數(shù)據(jù)源可為研究黑客行為提供載體[1]。與問答、健康社區(qū)等以分享知識或其他正向信息相比，黑客社區(qū)中信息分享意圖表現(xiàn)出雙重性，既會圍繞有關(guān)惡意攻擊、漏洞等與網(wǎng)絡(luò)犯罪有關(guān)主題進(jìn)行探討[2]，又不乏著力于抵抗網(wǎng)絡(luò)攻擊與防御技術(shù)的研究。部分黑客在社區(qū)中提供黑客工具、惡意軟件等惡意攻擊技術(shù)資源[3]，這類黑客樂意在社區(qū)中宣揚非法搜索的刺激感和非法進(jìn)入網(wǎng)站的權(quán)力滿足感，吹噓和分享黑客知識以獲得較高的地位及認(rèn)可[4]，發(fā)起越來越多高調(diào)的攻擊。2020年5月，黑客聲稱從微軟GitHub賬戶上竊取了超過500 GB的數(shù)據(jù)并出售這些源代碼。然而，黑客社區(qū)中也存在正義方，為了保護(hù)信息財產(chǎn)，討論關(guān)于檢測、預(yù)防攻擊事件，傳授追蹤黑帽子的技術(shù)方法及實踐操作，烏云網(wǎng)中記錄了3 254個白帽子提交的16 446個Web漏洞報告。因此，研究黑客社區(qū)不同意圖信息分享行為，對監(jiān)管黑客群體具有豐富的理論意義與實踐意義。

現(xiàn)有研究已對黑客社區(qū)信息分享行為初步探討，但仍存在不足：①現(xiàn)有研究分析黑客信息分享行為時，較少將信息意圖分為攻擊型與防御型信息分享，實際上黑客社區(qū)中不同意圖的信息分享影響因素存在差異。②現(xiàn)有對信息分享影響因素的研究多從整個黑客群體的角度進(jìn)行，較少分析對不同類型黑客的影響差異，而黑客間差異性的存在已被證實。為此，筆者以黑客社區(qū)中信息分享為研究情景，基于精細(xì)加工可能性模型，構(gòu)建不同意圖信息分享模型并提出假設(shè)，為采取措施監(jiān)管黑客群體提供新思路。

1 相關(guān)研究評述

1.1 黑客社區(qū)在線行為研究

在先前的工作中，學(xué)術(shù)界已從不同視角對黑客社區(qū)中惡意攻擊行為進(jìn)行研究。黑客社區(qū)允許用戶輕松系統(tǒng)地進(jìn)行檢索、保存、傳播惡意軟件和源代碼等惡意攻擊技術(shù)。YUE等[1]指出黑客社區(qū)中的討論與真實網(wǎng)絡(luò)攻擊相關(guān)。WANG等[5]進(jìn)一步指出黑客社區(qū)有關(guān)漏洞信息的討論量會影響現(xiàn)實網(wǎng)絡(luò)攻擊量。另有學(xué)者發(fā)現(xiàn)，黑客社區(qū)中部分成員會模仿他人的攻擊并公布防御方法，也有將發(fā)現(xiàn)的漏洞公布至社區(qū)中，披露相關(guān)防御程序[6]。這類黑客及時發(fā)布防御類信息，是維護(hù)網(wǎng)絡(luò)安全的重要力量。

針對黑客群體，不少學(xué)者著眼于關(guān)鍵黑客的識別。BENJAMIN等[7]利用社會網(wǎng)絡(luò)分析等方法確定網(wǎng)絡(luò)罪犯IRC社區(qū)潛在的長期和主要參與者。有學(xué)者展示了如何識別和描述可能對社會構(gòu)成威脅的專家黑客，部分學(xué)者根據(jù)多個俄羅斯黑客組織成員的社交網(wǎng)絡(luò)發(fā)現(xiàn)，組織成員與銷售惡意軟件的論壇密切相關(guān)，且社區(qū)成員關(guān)系密切，但只有少數(shù)是關(guān)鍵黑客[4]。

1.2 ELM研究

精細(xì)加工可能性模型[8](elaboration likelihood model，ELM)將導(dǎo)致個體處理信息方式或態(tài)度改變的路徑分為中心路徑和邊緣路徑[9]。中心路徑指信息接收者以詳盡、理性的態(tài)度對信息進(jìn)行審視、評估與加工，在深度分析后形成對信息的態(tài)度與認(rèn)知，更注重信息論證的內(nèi)容質(zhì)量與論據(jù)邏輯性。邊緣路徑指信息接收者未通過理性判斷，依賴于簡單的情境因素和表面提示信息來進(jìn)行主觀推論，形成最后的態(tài)度。信息接受者的動機(jī)和能力決定了該個體通過哪種路徑進(jìn)行信息處理，當(dāng)信息接收者有能力時，多致力于信息的質(zhì)量，通過中心路徑改變態(tài)度；當(dāng)信息接收者信息加工能力較弱時，更傾向于邊緣路徑，根據(jù)外圍線索對信息進(jìn)行感知。許多學(xué)者使用ELM對互聯(lián)網(wǎng)信息分享行為進(jìn)行研究，如用戶在線評論的影響因素[10]，用戶的知識采納意向[11]等，但對尚未將該模型運用于黑客社區(qū)的信息分享中。

綜上所述，現(xiàn)有文獻(xiàn)多站在用戶攻擊意圖的視角，通過對攻擊型信息進(jìn)行文本分析、主題分析等了解黑客信息分享，而對防御型信息的研究可以完善對黑客非法行徑的監(jiān)控與對攻擊趨勢的分析，因此研究黑客社區(qū)不同意圖信息分享有重要的現(xiàn)實意義。黑客注重技術(shù)相關(guān)信息的交流與學(xué)習(xí)，可能會更加注重信息的質(zhì)量，該群體同樣關(guān)注社區(qū)中其他成員的技術(shù)水平，這與ELM的中心路徑與邊緣路徑相似。因此借鑒ELM，考慮在不同成員類型的調(diào)節(jié)作用下，社區(qū)中信息質(zhì)量與信息源特征對黑客進(jìn)行信息分享的影響，構(gòu)建影響黑客社區(qū)不同意圖信息分享的雙路徑模型。

2 研究模型及假設(shè)

2.1 研究模型構(gòu)建

黑客社區(qū)中具有攻擊型與防御型意圖的兩種黑客都通過發(fā)帖-回帖行為實現(xiàn)社區(qū)內(nèi)的信息分享，都通過對回帖信息進(jìn)行加工處理從而改變自身態(tài)度與動機(jī)，進(jìn)而作用于信息分享，這一類似于說服的過程影響了黑客信息分享[8]，因此，基于精細(xì)加工可能性模型的雙路徑說服力來解釋信息分享受黑客社區(qū)中因素影響的過程。筆者將攻擊型信息分享與防御型分享兩類信息分享數(shù)據(jù)集作為因變量，采用與信息質(zhì)量以及信息源特征有關(guān)的因素作為自變量?；靥男畔①|(zhì)量特征構(gòu)成了該ELM模型的中心路徑，包括積極情感、消極情感、信息深度以及信息時效性，信息源即回帖用戶，其特征構(gòu)成了ELM的邊緣路徑，包括聲譽以及結(jié)構(gòu)型社會資本。構(gòu)建的黑客社區(qū)不同意圖信息分享的雙路徑模型如圖1所示。可知信息質(zhì)量作為中心路徑，對黑客社區(qū)信息分享有重要作用。當(dāng)黑客處于高參與度狀態(tài)或者對黑客信息了解程度高時，有能力和動機(jī)對在社區(qū)內(nèi)接收到的信息進(jìn)行深度審視、評估與加工，此時將更注重中心路徑的信息質(zhì)量。信息源特征作為邊緣路徑同樣影響黑客社區(qū)的信息分享。當(dāng)黑客處于低參與度狀態(tài)且黑客專業(yè)水平較低時，缺乏能力對社區(qū)中的信息進(jìn)行加工分析，此時偏向于通過邊緣路徑的信息源特征改變自身信息分享的態(tài)度與動機(jī)。

圖1 黑客社區(qū)不同意圖信息分享雙路徑模型

2.2 中心路徑假設(shè)

ELM模型中的中心路徑主要涉及與信息質(zhì)量有關(guān)的變量，信息質(zhì)量一般與信息本身的內(nèi)容特質(zhì)、知識深度和時效有關(guān)。因此可通過Hack Forums黑客社區(qū)中信息的積極情感[12]、消極情感[13]、信息深度[14]和信息時效性[15]來衡量信息質(zhì)量。

信息中蘊含的情感具有傳染性與說服力，并通常與特定的行為傾向和行為相關(guān)聯(lián)。已有研究表明，情感激勵引起的分享行為可運用到在線社區(qū)領(lǐng)域。情感刺激對信息的傳播與分享行為起決定性作用。正面反饋更多，個人會為在線社交社區(qū)做出更多貢獻(xiàn)[12]。在線社區(qū)中，情感通過回復(fù)、跟帖等形式進(jìn)行擴(kuò)散，信息文本中傳遞的情緒會刺激信息的轉(zhuǎn)發(fā)與分享，積極情感可以增加社區(qū)用戶之間的粘著，消極情緒將會抑制用戶參與[13]。黑客社區(qū)具有類似特征，積極情感將對黑客信息分享行為產(chǎn)生正向的情感刺激，促進(jìn)黑客的信息分享行為，而消極情感抑制信息分享行為。據(jù)此，提出以下假設(shè)：

H1a積極情感與黑客社區(qū)攻擊型信息分享之間存在正相關(guān)關(guān)系。

H1b積極情感與黑客社區(qū)防御型信息分享之間存在正相關(guān)關(guān)系。

H2a消極情感與黑客社區(qū)攻擊型信息分享之間存在負(fù)相關(guān)關(guān)系。

H2b消極情感與黑客社區(qū)防御型信息分享之間存在負(fù)相關(guān)關(guān)系。

信息深度指用戶在社區(qū)中進(jìn)行回帖行為時所發(fā)布內(nèi)容的字符長度，普遍認(rèn)為回復(fù)的字符長度體現(xiàn)著信息豐富度，字符越多，披露的信息越多，信息深度越大。齊云飛等[14]認(rèn)為，文本作為在線社區(qū)中傳遞信息的主要方式，字?jǐn)?shù)太少，用戶將很難從回復(fù)中接收到信息。因此認(rèn)為，字?jǐn)?shù)較多的回復(fù)更加詳細(xì)有深度，更能得到關(guān)注，黑客能從該類回復(fù)中接收到更豐富的信息量，是對信息分享產(chǎn)生刺激的重要因素。據(jù)此，提出以下假設(shè)：

H3a信息深度與黑客社區(qū)攻擊型信息分享之間存在正相關(guān)關(guān)系。

H3b信息深度與黑客社區(qū)防御型信息分享之間存在正相關(guān)關(guān)系。

社區(qū)中的回帖行為具有時效性，因此回復(fù)內(nèi)容中的信息具有時效性。時效性是網(wǎng)絡(luò)信息內(nèi)容的關(guān)鍵評價指標(biāo)之一。根據(jù)信息生態(tài)理論研究，信息平臺的信息無法及時更新將會影響使用者進(jìn)行分享的意愿。與此同時，信息時效性將會對用戶接納行為產(chǎn)生重要影響[15]。因此認(rèn)為，黑客在黑客社區(qū)中進(jìn)行信息分享時，接收到來自他人的回復(fù)越及時，越愿意分享信息，信息時效性指黑客在社區(qū)中接收到回復(fù)的時效性。據(jù)此，提出以下假設(shè)：

H4a信息時效性與黑客社區(qū)攻擊型信息分享之間存在正相關(guān)關(guān)系。

H4b信息時效性與黑客社區(qū)防御型信息分享之間存在正相關(guān)關(guān)系。

2.3 邊緣路徑假設(shè)

邊緣路徑涉及與信息源特征有關(guān)的變量。黑客社區(qū)中，聲譽值構(gòu)成信息源的權(quán)威性，結(jié)構(gòu)型社會資本構(gòu)成信息源的可靠性[16]，二者影響信息源的可信度，從邊緣路徑影響用戶的分享行為。KUK[17]論證了在線社區(qū)成員會偏向與核心用戶交流；HOLT等[18]指出黑客社區(qū)成員額外注重他人的技能與能力。黑客社區(qū)的聲譽系統(tǒng)，一定程度上可反饋用戶在該社區(qū)的地位，為其他黑客評判該用戶的角色提供衡量標(biāo)準(zhǔn)，聲譽較高的用戶傳遞的信息通常具有較高的權(quán)威性。因此認(rèn)為，黑客在進(jìn)行信息分享時，更注重與社區(qū)中的聲譽較高的用戶進(jìn)行交流，接受到來自高聲譽用戶的回帖更能促進(jìn)信息分享。據(jù)此，提出以下假設(shè)：

H5a聲譽值與黑客社區(qū)攻擊型信息分享之間存在正相關(guān)關(guān)系。

H5b聲譽值與黑客社區(qū)防御型信息分享之間存在正相關(guān)關(guān)系。

黑客社區(qū)為黑客群體提供信息交流的平臺，是信息轉(zhuǎn)移的途徑。信息和知識這兩種資源通過發(fā)帖-回帖關(guān)系進(jìn)行交換，交換過程中較高結(jié)構(gòu)型社會資本的用戶對參與社區(qū)信息分享比較積極，能獲得更高的回帖概率。黑客社區(qū)作為在線社區(qū)的一種，同樣存在信息與知識的交換過程，用戶通?；诮Y(jié)構(gòu)型資本評判可靠性。當(dāng)用戶接收到來自高結(jié)構(gòu)型社會資本用戶的回帖時，會提高信息分享的可能性，據(jù)此提出以下假設(shè)：

H6a結(jié)構(gòu)型社會資本與黑客社區(qū)攻擊型信息分享之間存在正相關(guān)關(guān)系。

H6b結(jié)構(gòu)型社會資本與黑客社區(qū)防御型信息分享之間存在正相關(guān)關(guān)系。

2.4 用戶活躍度的調(diào)節(jié)作用

已有研究表明，不同黑客在社區(qū)中的行為模式與類型不同，社區(qū)中的地位和貢獻(xiàn)均有極大差異。LU等[19]發(fā)現(xiàn)黑客社區(qū)中的少數(shù)關(guān)鍵人物是傳播黑客信息、提供技術(shù)的主體?；钴S度可作為成員劃分的標(biāo)準(zhǔn)并發(fā)現(xiàn)不同類型成員受在線評論的影響存在差異，關(guān)鍵用戶的活躍時間長且經(jīng)驗豐富，外界刺激的效果會比非核心成員弱。因此認(rèn)為，活躍度高的核心黑客是黑客社區(qū)內(nèi)影響力最大、信息分享最多的群體，有著較高的聲譽和結(jié)構(gòu)型社會資本，不會輕易離開黑客社區(qū)。而黑客社區(qū)中大量活躍度中、低的普通黑客，對外界信息敏感度較高，接收到負(fù)面信息或接受不到信息時，信息分享行為將大大減少。據(jù)此，提出以下假設(shè)：

H7a積極情感對黑客社區(qū)攻擊型信息分享的影響中，用戶活躍度有顯著調(diào)節(jié)效應(yīng)。

H7b消極情感對黑客社區(qū)攻擊型信息分享的影響中，用戶活躍度有顯著調(diào)節(jié)效應(yīng)。

H7c信息深度對黑客社區(qū)攻擊型信息分享的影響中，用戶活躍度有顯著調(diào)節(jié)效應(yīng)。

H7d信息時效性對黑客社區(qū)攻擊型信息分享的影響中，用戶活躍度有顯著調(diào)節(jié)效應(yīng)。

H7e聲譽值對黑客社區(qū)攻擊型信息分享的影響中，用戶活躍度有顯著調(diào)節(jié)效應(yīng)。

在進(jìn)行微生物液體培養(yǎng)時，活菌的增加導(dǎo)致培養(yǎng)液渾濁度的增加，該方法能夠簡單、快速、直觀地觀察活菌的生長趨勢并且可以運用分光光度計測定其含量，但在測定時未能判斷微生物的死活，所以該測定方法不太準(zhǔn)確。

H7f結(jié)構(gòu)型社會資本對黑客社區(qū)攻擊型信息分享的影響中，用戶活躍度有顯著調(diào)節(jié)效應(yīng)。

H7g積極情感對黑客社區(qū)防御型信息分享的影響中，用戶活躍度有顯著調(diào)節(jié)效應(yīng)。

H7h消極情感對黑客社區(qū)防御型信息分享的影響中，用戶活躍度有顯著調(diào)節(jié)效應(yīng)。

H7i信息深度對黑客社區(qū)防御型信息分享的影響中，用戶活躍度有顯著調(diào)節(jié)效應(yīng)。

H7j信息時效性對黑客社區(qū)防御型信息分享的影響中，用戶活躍度有顯著調(diào)節(jié)效應(yīng)。

H7k聲譽值對黑客社區(qū)防御型信息分享的影響中，用戶活躍度有顯著調(diào)節(jié)效應(yīng)。

3 數(shù)據(jù)獲取和模型構(gòu)建

3.1 數(shù)據(jù)收集

以國外著名黑客論壇Hack Forums.net作為數(shù)據(jù)來源，從Beginner Hacking與Service Offering版塊入手，使用網(wǎng)絡(luò)爬蟲軟件進(jìn)行數(shù)據(jù)采集。整個數(shù)據(jù)集包含Hack Forums從2017—2020年間共7 935個用戶發(fā)布的10 627個主題帖和83 644個回帖以及用戶屬性數(shù)據(jù)，采用機(jī)器學(xué)習(xí)技術(shù)對主題帖進(jìn)行了分類?！肮粜汀卑◥阂夤粜畔⒑挽乓寻l(fā)生的攻擊犯罪行為；“防御型”包括保護(hù)個人或公司免遭受惡意攻擊的技術(shù)、分享防御軟件等以及向社區(qū)用戶求助等；“無關(guān)類”，與攻擊防御都無關(guān)。對攻擊型與防御型兩類主題帖進(jìn)行匯總，構(gòu)成攻擊型與防御型信息分享數(shù)據(jù)集。

3.2 變量設(shè)計

黑客社區(qū)中的信息分享通過發(fā)帖-回帖行為實現(xiàn)，選取每個主題帖中的相關(guān)特征作為各變量。具體變量定義以及計算方式如表1所示。i代表文本數(shù)據(jù)中的第i條主題帖，r代表該主題帖中第r名回帖用戶，p為該主題帖的發(fā)帖用戶。

表1 變量定義

綜合考慮黑客社區(qū)信息分享的特點，通過Python調(diào)用VADER工具包，對每個主題帖的其他用戶回復(fù)進(jìn)行文本情感分析，統(tǒng)計每個主題帖接收的積極與消極回復(fù)數(shù)量，計入積極情感與消極情感。筆者將黑客社區(qū)成員分為高活躍度、中活躍度以及低活躍度用戶，使用K-Means算法從黑客的累計發(fā)帖量、聲譽值、參與版塊數(shù)以及等級進(jìn)行聚類，累計發(fā)帖量包括用戶在黑客社區(qū)所有版塊的交流，聲譽值、參與版塊數(shù)以及等級除了與發(fā)帖-回帖行為有關(guān)以外，與黑客社區(qū)中其他行為，如交易行為、游戲經(jīng)驗等有關(guān)，最終得出102名高活躍度用戶，460名中活躍度用戶及7 373名低活躍度用戶。

3.3 數(shù)據(jù)分析模型

采用逐步回歸法與分層回歸結(jié)合的分析方法，對攻擊型與防御型信息分享數(shù)據(jù)集分別進(jìn)行回歸構(gòu)建黑客社區(qū)不同意圖信息分享雙路徑模型并檢驗調(diào)節(jié)效應(yīng)。

(1)采用逐步回歸法做因變量與自變量的回歸。結(jié)合理論假設(shè)，自變量為中心路徑與邊緣路徑，中心路徑包括積極情感、消極情感、信息深度以及信息時效性等信息質(zhì)量特征，信息源即黑客社區(qū)回帖用戶，其特征構(gòu)成邊緣路徑，包括聲譽以及結(jié)構(gòu)型社會資本，因變量為攻擊型信息分享與防御型信息分享，整體構(gòu)成黑客社區(qū)不同意圖信息分享雙路徑模型，如式(1)所示。

RNumip=α10+α11PRei+α12NRei+α13Lengthi+

α14Timei+α15Reputationi+α16Threadi+

α17Posti+ε1

(1)

(2)按分層回歸過程，引入用戶活躍度為自變量進(jìn)行回歸，做各影響因素與信息分享的線性關(guān)系，再引入用戶活躍度與各自變量的乘積項為自變量，以檢驗用戶活躍度的調(diào)節(jié)作用，如式(2)和式(3)所示。

RNumip=α20+α21PRei+α22NRei+

α23Lengthi+α24Timei+α25Reputationi+

α26Threadi+α27Posti+α28Activityip+ε2

(2)

RNumip=α30+α31PRei+α32NRei+

α33Lengthi+α34Timei+α35Reputationi+

α36Threadi+α37Posti+α38Activityip+

α39PReiActivityip+α310NReiActivityip+

α311LengthiActivityip+α312TimeiActivityip+

α313ReputationiActivityip+α314ThreadiActivityip+

α315PostiActivityip+ε3

(3)

式中：α10～α30為截距項，α11～α17，α21～α28，α31～α314為各變量系數(shù)，ε1～ε3為誤差項。

4 回歸結(jié)果分析

4.1 描述性統(tǒng)計

采用Stata15.0統(tǒng)計軟件對樣本數(shù)據(jù)進(jìn)行分析，描述性結(jié)果如表2所示?？芍蟛糠只靥鶠檎蚧貜?fù)，平均回帖長度、回帖及時性、用戶聲譽值均較少，且差距較大。

表2 變量描述性統(tǒng)計

4.2 變量相關(guān)性與方差膨脹因子檢驗

相關(guān)性分析結(jié)果如表3所示，可知變量間的相關(guān)系數(shù)偏高。對各個變量之間進(jìn)行方差膨脹因子(variance inflation factor，VIF)檢驗，排除多重共線性干擾，結(jié)果如表4所示。可知VIF小于閾值5.17，研究結(jié)果不受多重共線性影響。

表3 變量間的相關(guān)性

表4 方差膨脹因子

4.3 結(jié)果分析

使用Stata15.0結(jié)合式(1)～式(3)分別對攻擊型信息分享與防御型信息分享兩組數(shù)據(jù)集進(jìn)行回歸，結(jié)果如表5所示。由表5可得黑客社區(qū)不同意圖信息分享的影響因素，如圖2所示?？芍诳蜕鐓^(qū)攻擊型信息分享模型中，除聲譽和結(jié)構(gòu)型社會資本外，各自變量均與因變量有顯著的回歸關(guān)系；防御型信息分享模型中，除消極情感外，各自變量均與因變量有顯著的回歸關(guān)系；用戶活躍度在兩個模型中的調(diào)節(jié)效應(yīng)均顯著。兩個模型中各變量的顯著性與調(diào)節(jié)效應(yīng)存在差異，以下對假設(shè)檢驗結(jié)果進(jìn)行詳細(xì)解釋。

表5 黑客社區(qū)不同意圖信息分享雙路徑模型回歸結(jié)果

圖2 影響黑客社區(qū)不同意圖信息分享的因素

4.3.1 攻擊型信息分享影響因素結(jié)果分析

由表5可知，在黑客社區(qū)攻擊型信息分享模型中，中心路徑與因變量回歸關(guān)系顯著，邊緣路徑不顯著，且調(diào)節(jié)效應(yīng)顯著。

(1)中心路徑的信息質(zhì)量能顯著影響攻擊型信息分享行為。黑客社區(qū)中積極情感、信息深度以及信息時效性對攻擊型信息分享行為有顯著的正向影響，消極情感對攻擊型信息分享行為有顯著的負(fù)向影響，假設(shè)H1a、H2a、H3a和H4a成立。攻擊型信息分享時，積極回復(fù)可以滿足黑客炫耀非法攻擊行為的虛榮心，促進(jìn)攻擊信息分享；消極回復(fù)中他人對非法行為的反對與排斥會打擊黑客分享的積極性，起抑制作用；信息深度越大，對攻擊行為的討論與關(guān)注越多，更可能促進(jìn)攻擊型信息分享；用戶發(fā)布主題帖后通常短期內(nèi)處于在線狀態(tài)，得到他人響應(yīng)越及時，繼續(xù)信息分享的意愿越強。

(2)信息源特征不會從邊緣路徑影響攻擊型信息分享行為。黑客社區(qū)中，聲譽值對攻擊型信息分享的影響不顯著，回帖用戶的平均參加話題數(shù)、平均累計回帖量影響不顯著，回帖用戶的結(jié)構(gòu)型社會資本不能影響信息分享，假設(shè)H5a和H6a不成立，可能是因為黑客炫耀非法行為時不會過多關(guān)注其他人的身份信息，或是以交流攻擊技術(shù)為目的時，黑客注重的計算機(jī)技能并不一定能被社區(qū)交流的積極程度所代表。

(3)用戶活躍度存在調(diào)節(jié)效應(yīng)。用戶活躍度與積極情感、信息時效性之間為負(fù)相關(guān)關(guān)系，與消極情感之間為正相關(guān)關(guān)系，可以認(rèn)為，用戶活躍度起負(fù)向調(diào)節(jié)作用，假設(shè)H7a、H7b和H7d成立。用戶活躍度與信息深度的交互項系數(shù)為正，增強了信息深度對信息分享的促進(jìn)作用，假設(shè)H7c成立。由此可知，回復(fù)的情感以及回復(fù)時效對高活躍度黑客影響較小，該類黑客通常在社區(qū)中有著穩(wěn)定的模式和持續(xù)信息分享習(xí)慣，受他人影響較小。而中活躍度和低活躍度的黑客更容易收到外界影響，且對低活躍度黑客的影響最大，需要更積極的情感傾向和及時的回復(fù)才能加深其信息分享的可能性。而信息深度對3類黑客都有顯著作用，高活躍度黑客更愿意參與信息量大的討論交流。用戶活躍度在聲譽值、平均參與話題數(shù)的系數(shù)對信息分享的影響中未表現(xiàn)出調(diào)節(jié)效應(yīng)，平均回帖數(shù)與用戶活躍度的交互項系數(shù)為負(fù)，假設(shè)H7e和H7f不成立。即攻擊型信息分享黑客對于回帖用戶的聲譽值與結(jié)構(gòu)型社會資本都不敏感，不會對分享行為產(chǎn)生影響，未表現(xiàn)出調(diào)節(jié)效應(yīng)。

4.3.2 防御型信息分享影響因素結(jié)果分析

由表5可知，黑客社區(qū)中防御型信息分享模型與攻擊型相似，也存在區(qū)別，除消極情感外，各自變量均與因變量有顯著的回歸關(guān)系，用戶活躍度的調(diào)節(jié)效應(yīng)顯著。

(1)中心路徑的信息質(zhì)量能顯著影響防御型信息分享行為。積極情感、信息深度和信息時效性對防御型信息分享行為有顯著的正向影響，消極情感的影響不顯著，假設(shè)H1b、H3b和H4b成立，假設(shè)H2b不成立。主要原因在于意圖不同，不同因素的影響存在差異，防御信息分享者在以惡意信息為主的板塊中分享觀點時，他人的消極情感并不會打擊其積極性。

(2)信息源特征從邊緣路徑影響防御型信息分享行為。聲譽值、平均參與話題數(shù)與平均累計回帖量的影響顯著為正，假設(shè)H5b和H6b成立。分享防御型信息時，黑客偏向于與核心人物以及交流頻繁、互動密切的用戶交流，更容易收到身份特征影響。

(3)用戶活躍度存在調(diào)節(jié)效應(yīng)。用戶活躍度與積極情感、信息深度的調(diào)節(jié)作用都得到同樣驗證，起負(fù)向調(diào)節(jié)作用，假設(shè)H7g與H7i成立，即用戶活躍度削弱了積極情感對防御型信息分享的促進(jìn)作用，增強了信息深度的促進(jìn)作用。用戶活躍度與信息時效性、聲譽值、平均參與話題數(shù)和平均累計回帖數(shù)為正相關(guān)關(guān)系，活躍度越高的用戶對邊緣路徑變化越敏感，用戶活躍度加強了信息時效性、聲譽值、平均參與話題數(shù)和平均累計回帖數(shù)對防御型信息分享的促進(jìn)作用，假設(shè)H7j、H7k和H7l成立。原因可能是發(fā)布防御型信息的高活躍度黑客為傳播防御技術(shù)，偏向與活躍度更高的黑客進(jìn)行交流，以促進(jìn)防御信息的快速傳播，達(dá)到減少攻擊型信息討論、凈化社區(qū)環(huán)境的目的。

5 結(jié)論

建立了黑客社區(qū)不同意圖的雙路徑模型，并根據(jù)中心路徑與邊緣路徑的特征，驗證了信息質(zhì)量與信息源對黑客信息分享的影響，發(fā)現(xiàn)了不同意圖信息分享的異同，解釋了信息分享行為，加深對黑客信息分享特征的了解，為網(wǎng)絡(luò)安全防御提供了新思路。通過構(gòu)建ELM模型進(jìn)行實證研究發(fā)現(xiàn)：①積極情感、信息深度、信息時效性對攻擊型與防御型信息分享都有顯著正向影響；②消極情感對攻擊型信息分享有顯著負(fù)向影響；③回帖用戶的聲譽值與結(jié)構(gòu)型社會資本從邊緣路徑影響防御型信息分享。兩類信息分享中，用戶活躍度在各因素與信息分享之間起顯著調(diào)節(jié)效應(yīng)，主要表現(xiàn)在：①回復(fù)內(nèi)容的情感對高活躍度的用戶影響較小，對活躍度中等或較低的用戶影響較大；②信息深度對高活躍度的用戶影響更大；③攻擊型信息分享中活躍度越高對信息時效性越不敏感，防御型信息中則相反；④回帖用戶的聲譽值與結(jié)構(gòu)資本只在防御型信息分享中影響顯著，用戶活躍度越高，邊緣路徑的促進(jìn)作用越明顯。

網(wǎng)絡(luò)安全監(jiān)管可以依據(jù)不同信息的意圖制定多層次的監(jiān)管策略。黑客發(fā)布攻擊信息或技術(shù)時，可延長審核時間、設(shè)置攻擊信息發(fā)帖規(guī)則等方案抑制攻擊型信息的發(fā)布，及時向網(wǎng)絡(luò)安全部門反饋，做好預(yù)防與漏洞修復(fù)工作；針對防御型信息可通過加大曝光度、置頂?shù)确椒ù龠M(jìn)回帖指數(shù)，提高討論熱度，提升黑客分享防御型信息分享的積極性。