Revolutionair Machine-Learning algoritme detecteert nep-ID's op social media

Onderzoekers ontwikkelen een nieuwe methode, gebaseerd op machine learning-techniek, om nepgebruikers op social media-platformen te identificeren. Het algoritme is gebaseerd op de aanname dat nepgebruikers neigen om ongeschikte links naar andere gebruikers te bouwen. De resultaten tonen aan dat het algoritme in staat is om zowel echte als kwaadaardige gebruikers te detecteren.

Hoe het algoritme werkt

De graaftopologie is gebruikt om een nieuwe generieke methode te bouwen voor het detecteren van afwijkende knopen in grote, complexe netwerken. Het algoritme heeft 2 sleuteliteraties gebaseerd op machine learning-technieken.

1. Creëer een link-voorspellingsclassificator voor het schatten van link-kans tussen twee gebruikers.
2. Creëer een nieuwe meta-functieset, gebaseerd op de kenmerken gegenereerd door link-voorspellingsclassificator.

Onderzoekers hebben 7 nieuwe kenmerken voorgesteld die effectieve voorspellers zouden moeten zijn voor het detecteren van afwijkingen. Om te bepalen welke van de nieuwe kenmerken de meeste invloed hebben, onderzochten ze hun belangrijkheid met behulp van Weka's information gain attribute selectie-algoritme.

Vervolgens voerden ze een uitgebreide experimentele evaluatie uit op 3 typen complexe netwerken – real-world netwerken met gelabelde afwijkende knopen, real-world netwerk met gesimuleerde afwijkende knopen en volledig gesimuleerde netwerken.

Over datasets: ze gebruikten 10 verschillende netwerken, inclusief Flixster10, Dblp8, Yelp, Academia.edu, ArXiv5 en Twitter.

Rode knopen tonen afwijkende knopen, en rode randen hebben de laagste kansen om nep te zijn.

De resultaten tonen aan dat het algoritme in staat is om zowel echte mensen als kwaadaardige gebruikers op echte netwerken te detecteren, inclusief Twitter. Het presteerde beter dan andere afwijkingsdetectietechnieken, en volgens de ontwikkelaars heeft het potentieel voor talloze toepassingen, vooral in het cybersecurity-veld.

Wat is de volgende stap?

Ontwikkelaars plannen het algoritme te onderzoeken voor andere soorten netwerken, zoals gewogen en bipartiete grafen. Ze zullen ook bestuderen wat er met de eigenschappen van het netwerk gebeurt wanneer willekeurige randen en knopen samengevoegd worden.

Ze zullen verder laten zien hoe hetzelfde algoritme gebruikt kan worden om gekaapte accounts op sociale platforms te detecteren. Bovendien kan het interessant zijn om te zien welke schaal van een Sybil-aanval nodig zou zijn om geïmplementeerd te worden zodat het niet meer mogelijk is om te differentiëren tussen echte en nep-knopen.

Voor nu hebben onderzoekers alle code en data online gepubliceerd, inclusief de real-world datasets met gelabelde nep-ID's. Iedereen kan het gebruiken als open framework, toekomstige vertex-afwijkingsdetectiemethoden verbeteren, en hun resultaten vergelijken.