面向在线社交网络身份盗用检测的复合行为建模

在这项工作中，我们旨在从贫乏的行为数据出发，构建一座通向高效、快速响应且鲁棒的行为模型的桥梁，用于在线身份盗用检测。我们聚焦于在线社交网络（OSNs）中的这一问题，其中用户通常具有复合行为记录，由多维低质量数据构成，例如线下签到与线上用户生成内容（UGC）。作为一个有洞察力的结果，我们发现不同维度的记录在建模用户行为模式时存在互补效应。为深度挖掘此种互补效应，我们提出一种联合模型以捕获用户复合行为的线上与线下特征。我们在两个真实世界数据集 Foursquare 和 Yelp 上通过与若干典型模型比较来评估所提联合模型。在广泛使用的盗用模拟设定（通过行为替换模拟盗用）下，实验结果表明我们的模型优于现有模型，其 AUC 值分别为 Foursquare 中的 $0.956$ 与 Yelp 中的 $0.947$。特别地，在对应扰动率（假正率）低于 $1\%$ 的情况下，召回率（真正率）在 Foursquare 中可达 $65.3\%$，在 Yelp 中可达 $72.2\%$。值得指出的是，这些性能仅需每次认证检查一种复合行为（同时访问一处地点并线上发布一条提示）即可达成，这保证了我们方法的低响应延迟。本研究将为网络安全界提供新的见解，揭示是否以及如何通过建模用户复合行为模式来改进实时在线身份认证。