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