Промышленное производство
Промышленный Интернет вещей | Промышленные материалы | Техническое обслуживание и ремонт оборудования | Промышленное программирование |
home  MfgRobots >> Промышленное производство >  >> Manufacturing Technology >> Промышленные технологии

Революционный алгоритм машинного обучения обнаруживает фейковые аккаунты в соцсетях

Исследователи разработали новый метод, основанный на технике машинного обучения, для идентификации фейковых пользователей на платформах социальных медиа.

Алгоритм основан на предположении, что фейковые пользователи склонны создавать неудачные связи с другими пользователями.

Результаты показывают, что алгоритм способен обнаруживать как настоящих, так и вредоносных пользователей.

Как работает алгоритм?

Топология графа была использована для построения нового общего метода обнаружения аномальных вершин в больших, сложных сетях. Алгоритм имеет 2 ключевые итерации, основанные на техниках машинного обучения.

  1. Создание классификатора предсказания связи для оценки вероятности связи между двумя пользователями.
  2. Создание нового набора мета-признаков, основанного на признаках, сгенерированных классификатором предсказания связи.

Исследователи предложили 7 новых признаков, которые предполагаются эффективными предикторами для обнаружения аномалий. Чтобы определить, какие из новых признаков имеют наибольшее влияние, они изучили их важность с помощью алгоритма выбора атрибутов по приросту информации Weka.

Затем они провели обширную экспериментальную оценку на 3 типах сложных сетей — реальных сетях с размеченными аномальными вершинами, реальных сетях с смоделированными аномальными вершинами и полностью смоделированных сетях.

Говоря о наборах данных, они использовали 10 разных сетей, включая Flixster10, Dblp8, Yelp, Academia.edu, ArXiv5 и Twitter.

Красные вершины показывают аномальные вершины, а красные ребра имеют наименьшие вероятности быть фейковыми.

Результаты показывают, что алгоритм способен обнаруживать как настоящих людей, так и вредоносных пользователей в реальных сетях, включая Twitter. Он превзошел другие методы обнаружения аномалий, и по словам разработчиков, он имеет потенциал для множества приложений, особенно в области кибербезопасности.

Что дальше?

Разработчики планируют изучить алгоритм для других типов сетей, таких как взвешенные и бипартитные графы. Они также изучат, что происходит со свойствами сети, когда случайные ребра и вершины присоединяются.

Они покажут, как тот же алгоритм можно использовать для обнаружения захваченных аккаунтов в социальных платформах. Более того, может быть интересно увидеть, какой масштаб атаки Сибилл потребуется для реализации, чтобы больше невозможно было различать настоящие и фейковые вершины.

На данный момент исследователи опубликовали весь код и данные онлайн, включая реальные наборы данных с размеченными фейковыми ID. Любой может использовать это как открытую структуру, улучшить будущие методы обнаружения аномалий вершин и сравнить свои результаты.

Промышленные технологии

  1. Как работает мобильная связь: полное руководство по принципам celularной телефонии
  2. Предотвращение гальванической коррозии: выбор совместимых материалов для морского оборудования
  3. Полное руководство по станкам точного шлифования
  4. Достижение превосходной отделки поверхности с литьем в оболочках
  5. Обработка на станках с ЧПУ: преодоление проблем при изготовлении крупных и мелких деталей
  6. Модуль HM-10 (BLE 4.0): полное техническое руководство, AT-команды, подключение к Arduino
  7. DVIRC партнерится с MxD для уполномочивания американских производителей через передовые цифровые решения
  8. Почему CMMS критически важен для успеха малого бизнеса
  9. Раскройте превосходные результаты аддитивного производства с новой функцией генеративного дизайна Fusion 360
  10. Топ-50 конференций по управлению объектами 2020 — ваш гид к отраслевым инсайтам