利用 fBox 识别可疑链接行为：一种对抗性视角
机器学习
2015-08-11 v1 信息检索
社会与信息网络
摘要
如何检测大型在线网络中的可疑用户？用户或产品的在线热度（通过关注、页面点赞等）可以基于更高的广告点击率或增加的销售额进行变现。因此，激励热度的 Web 服务和社交网络面临着来自试图快速获利的链接欺诈者制造虚假连接的主要问题。捕捉此类可疑行为的典型方法使用谱技术来识别往往公然欺诈（但有时是诚实的）的大型用户群体。然而，由于实践中使用的低秩特征分析的性质，小规模、隐蔽的攻击可能被忽视。在这项工作中，我们采取对抗性方法来发现并证明关于现代最先进谱方法弱点的论断，并提出 fBox，这是一种旨在捕捉低于雷达水平的小规模、隐蔽攻击的算法。我们的算法具有以下理想特性：(a) 具有理论基础，(b) 在真实数据上被证明非常有效，以及 (c) 具有可扩展性（与输入规模呈线性关系）。我们在 2010 年 Twitter 的一个大型公开社交图（包含 4170 万个节点和 15 亿条“谁关注谁”的边）上评估了 fBox，并以高精度识别出许多可疑账户，这些账户至今仍未被暂停。
引用
@article{arxiv.1410.3915,
title = {Spotting Suspicious Link Behavior with fBox: An Adversarial Perspective},
author = {Neil Shah and Alex Beutel and Brian Gallagher and Christos Faloutsos},
journal= {arXiv preprint arXiv:1410.3915},
year = {2015}
}