Революционный алгоритм машинного обучения обнаруживает поддельные идентификаторы в социальных сетях

• Исследователи разработали новый метод, основанный на технике машинного обучения, для выявления фейковых пользователей на платформах социальных сетей. 
• Алгоритм основан на предположении, что фейковые пользователи склонны создавать неуместные ссылки на других пользователей. 
• Результаты показывают, что алгоритм способен обнаруживать как подлинных, так и злонамеренных пользователей. 

Выявление фейковых пользователей стало первоочередной задачей для компаний социальных сетей, особенно после того, как Россия целенаправленно использовала социальные сайты для влияния на выборы в США и не смогла защитить конфиденциальность пользователей.

Теперь исследователи из Вашингтонского университета и Университета Негева создали новый универсальный алгоритм обучения без присмотра, позволяющий находить фейковых пользователей в социальных сетях, таких как Twitter и Facebook.

Новый алгоритм основан на предположении, что фейковые пользователи склонны создавать неуместные ссылки на других пользователей в сетях. Исследователи включили метод прогнозирования ссылок в модель обнаружения аномалий, которая не требует каких-либо предварительных знаний графов.

Как работает алгоритм?

Топология графа была использована для создания нового универсального метода обнаружения аномальных вершин в больших и сложных сетях. Алгоритм имеет две ключевые итерации, основанные на методах машинного обучения.

1. Создайте классификатор прогнозирования ссылок для оценки вероятности связи между двумя пользователями.
2. Создайте новый набор мета-функций на основе функций, созданных классификатором прогнозирования ссылок.



Исследователи предложили семь новых функций, которые должны стать эффективными предикторами для обнаружения аномалий. Чтобы определить, какие из новых функций имеют наибольшее влияние, они исследовали их важность с помощью алгоритма выбора атрибутов получения информации Weka.

Ссылка:SpringerLink | doi:10.1007/s13278-018-0503-4 | БГУ

Затем они провели обширную экспериментальную оценку трех типов сложных сетей:реальных сетей с помеченными аномальными вершинами, реальной сети с смоделированными аномальными вершинами и полностью смоделированных сетей.

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

Красные вершины обозначают аномальные вершины, а красные ребра имеют наименьшую вероятность оказаться поддельными.

Результаты показывают, что алгоритм способен обнаруживать как подлинных людей, так и злоумышленников в реальных сетях, включая Twitter. Он превосходит другие методы обнаружения аномалий и, по мнению разработчиков, имеет потенциал для множества приложений, особенно в области кибербезопасности.

Что дальше?

Разработчики планируют изучить алгоритм для других типов сетей, таких как взвешенные и двудольные графы. Они также изучат, что происходит со свойствами сети при соединении случайных ребер и вершин.

Далее они покажут, как тот же алгоритм можно использовать для обнаружения взломанных учетных записей на социальных платформах. Более того, было бы интересно посмотреть, какой масштаб атаки Сивиллы потребуется реализовать, чтобы невозможно было отличить настоящие вершины от поддельных.

Читайте:22 бесплатных инструмента для анализа социальных сетей

На данный момент исследователи опубликовали весь код и данные в Интернете, включая реальные наборы данных, содержащие помеченные поддельные идентификаторы. Любой может использовать его как открытую платформу, улучшать будущие методы обнаружения вершинных аномалий и сравнивать их результаты.



Искусственный интеллект, обученный фильтрации спама, расшифровывает нейронные реакции Гидры в режиме реальн… Моделирование окружающей среды с графическим ускорением превосходит суперкомпьютеры