SpamDam：面向隐私保护与抗对手的 SMS 垃圾检测
密码学与安全
2024-04-16 v1 机器学习
摘要
在本研究中，我们引入了 SpamDam，这是一个 SMS 垃圾检测框架，旨在克服检测和理解 SMS 垃圾方面的关键挑战，例如缺乏公开的 SMS 垃圾数据集、日益增长的收集 SMS 数据的隐私担忧，以及对具备抗对手能力的检测模型的需求。SpamDam 包含四个创新模块：一个从在线社交网络（OSN）识别垃圾信息的 SMS 垃圾雷达；一个用于统计分析的 SMS 垃圾检查器；支持集中训练和联邦学习的 SMS 垃圾检测器（SSD）；以及一个在现实场景中评估模型抗对手能力的 SSD 分析器。借助 SpamDam，我们从 2018 年至 2023 年间的 Twitter 和微博上收集了超过 76K 条 SMS 垃圾信息，构成了同类中最大的数据集。该数据集为近期垃圾信息活动提供了新见解，并训练了用于垃圾检测的高性能二元和多标签分类器。此外，联邦学习的有效性已得到充分证明，可实现隐私保护的 SMS 垃圾检测。另外，我们严格测试了 SMS 垃圾检测模型的对抗鲁棒性，并引入了新型反向后门攻击，在实际测试中展示了其有效性和隐蔽性。
引用
@article{arxiv.2404.09481,
title = {SpamDam: Towards Privacy-Preserving and Adversary-Resistant SMS Spam Detection},
author = {Yekai Li and Rufan Zhang and Wenxin Rong and Xianghang Mi},
journal= {arXiv preprint arXiv:2404.09481},
year = {2024}
}