基于结构的社交网络女巫检测：通过局部规则传播
摘要
社交网络中的女巫检测是一个基础的安全研究问题。基于结构的方法已被证明在检测女巫方面具有前景。现有的基于结构的方法可分为基于随机游走（RW）的方法和基于环信念传播（LBP）的方法。基于 RW 的方法无法同时利用已标记女巫和已标记良性用户，这限制了其检测精度，且/或它们对噪声标签不鲁棒。基于 LBP 的方法不可扩展且无法保证收敛。本工作中，我们提出 SybilSCAR，一种新颖的基于结构的方法来检测社交网络中的女巫。SybilSCAR 具有可扩展、收敛、准确以及对标签噪声鲁棒（Scalable, Convergent, Accurate, and Robust）的特性。我们首先提出一个框架以统一基于 RW 和基于 LBP 的方法。在该框架下，这些方法可视为对每位用户迭代应用（不同的）局部规则，从而在社交图上传播标签信息。其次，我们设计了一种新的局部规则，SybilSCAR 迭代地将其应用于每位用户以检测女巫。我们从理论和实证两方面将 SybilSCAR 与最先进的基于 RW 和基于 LBP 的方法进行比较。理论上，我们表明在适当参数设置下，SybilSCAR 对错误接纳进入社交网络的女巫数量具有比现有基于结构方法更紧的渐近界。实证上，我们使用含合成女巫的社交网络和一个含真实女巫的大规模 Twitter 数据集（41.7M 节点和 1.2B 边）进行评估。结果表明：1）SybilSCAR 比最先进的基于 RW 的方法显著更准确且对标签噪声更鲁棒；2）SybilSCAR 比最先进的基于 LBP 的方法更准确且可扩展性高一个数量级。
引用
@article{arxiv.1803.04321,
title = {Structure-based Sybil Detection in Social Networks via Local Rule-based Propagation},
author = {Binghui Wang and Jinyuan Jia and Le Zhang and Neil Zhenqiang Gong},
journal= {arXiv preprint arXiv:1803.04321},
year = {2020}
}
备注
IEEE Transactions on Network Science and Engineering, 2019. One of the 10 papers fast tracked from INFOCOM 2017. Twitter dataset link: http://gonglab.pratt.duke.edu/code-data