혁신적인 머신 러닝 알고리즘으로 소셜 미디어에서 가짜 ID 감지

• 연구원들은 기계 학습 기술을 기반으로 소셜 미디어 플랫폼에서 가짜 사용자를 식별하는 새로운 방법을 개발합니다. 
• 알고리즘은 가짜 사용자가 다른 사용자에 대한 부적절한 링크를 구축하는 경향이 있다는 가정을 기반으로 합니다. 
• 결과는 알고리즘이 실제 사용자와 악의적인 사용자를 모두 탐지할 수 있음을 보여줍니다. 

가짜 사용자를 식별하는 것은 소셜 네트워킹 회사의 최우선 과제가 되었습니다. 특히 러시아가 미국 선거에 영향을 미치기 위해 소셜 사이트를 표적으로 사용하고 사용자 개인 정보를 보호하지 못한 이후에는 더욱 그렇습니다.

이제 워싱턴 대학과 네게브 대학의 연구원들은 트위터나 페이스북과 같은 소셜 네트워킹 플랫폼에서 가짜 사용자를 찾기 위한 새로운 일반 비지도 학습 알고리즘을 구축했습니다.

새로운 알고리즘은 가짜 사용자가 네트워크의 다른 사용자에 대한 부적절한 링크를 만드는 경향이 있다는 예측을 기반으로 합니다. 연구원들은 사전 그래프 지식이 필요하지 않은 이상 탐지 모델에 링크 예측 방법을 통합했습니다.

알고리즘은 어떻게 작동하나요?

그래프 토폴로지는 크고 복잡한 네트워크에서 변칙적인 정점을 탐지하기 위한 새로운 일반 방법을 구축하는 데 활용되었습니다. 알고리즘에는 기계 학습 기술을 기반으로 한 2가지 핵심 반복이 있습니다.

1. 두 사용자 간의 링크 확률을 추정하기 위한 링크 예측 분류기를 만듭니다.
2. 링크 예측 분류기에 의해 생성된 기능을 기반으로 새로운 메타 기능 세트를 만듭니다.



연구원들은 이상 현상을 탐지하는 데 효과적인 예측 변수로 간주되는 7가지 새로운 기능을 제안했습니다. 어떤 새로운 기능이 가장 큰 영향을 미치는지 결정하기 위해 Weka의 정보 획득 속성 선택 알고리즘을 사용하여 그 중요성을 조사했습니다.

참조:SpringerLink | doi:10.1007/s13278-018-0503-4 | BGU

그런 다음 그들은 3가지 유형의 복잡한 네트워크, 즉 레이블이 지정된 변칙 정점이 있는 실제 네트워크, 시뮬레이션된 변칙 정점이 있는 실제 네트워크 및 완전히 시뮬레이션된 네트워크에 대해 광범위한 실험 평가를 수행했습니다.

데이터 세트에 관해 이야기하자면 그들은 Flixster10, Dblp8, Yelp, Academia.edu, ArXiv5 및 Twitter를 포함한 10개의 서로 다른 네트워크를 사용했습니다.

빨간색 정점은 변칙적인 정점을 나타내며 빨간색 가장자리는 가짜일 가능성이 가장 낮습니다

결과는 이 알고리즘이 트위터를 포함한 실제 네트워크에서 실제 사람과 악의적인 사용자를 모두 탐지할 수 있음을 보여줍니다. 이는 다른 이상 탐지 기술보다 성능이 뛰어났으며 개발자에 따르면 특히 사이버 보안 분야에서 수많은 응용 프로그램에 대한 잠재력을 가지고 있습니다.

다음은 무엇인가요?

개발자는 가중치 그래프 및 이분 그래프와 같은 다른 종류의 네트워크에 대한 알고리즘을 조사할 계획입니다. 또한 임의의 모서리와 꼭짓점이 결합될 때 네트워크의 속성에 어떤 일이 일어나는지 연구합니다.

그들은 동일한 알고리즘을 사용하여 소셜 플랫폼에서 하이재킹된 계정을 탐지하는 방법을 추가로 보여줄 것입니다. 더욱이, 더 이상 실제 정점과 가짜 정점을 구별하는 것이 불가능하도록 Sybil 공격을 구현해야 하는 규모를 확인하는 것도 흥미로울 수 있습니다.

읽기:22가지 무료 소셜 네트워크 분석 도구

현재 연구자들은 라벨이 붙은 가짜 ID가 포함된 실제 데이터 세트를 포함하여 모든 코드와 데이터를 온라인에 게시했습니다. 누구나 이를 개방형 프레임워크로 사용하고, 향후 정점 이상 탐지 방법을 개선하고, 그 결과를 비교할 수 있습니다.