SybilBelief：一种基于结构的 Sybil 检测半监督学习方法
密码学与安全
2016-11-17 v2 社会与信息网络
摘要
Sybil 攻击是对分布式系统安全性的根本威胁。最近，利用社交网络来缓解 Sybil 攻击的兴趣日益增长。然而，现有方法存在一个或多个缺点，包括仅从已知的良性节点或已知的 Sybil 节点进行引导、无法容忍关于已知良性或 Sybil 节点的先验知识中的噪声，以及缺乏可扩展性。在本工作中，我们旨在克服这些缺点。为此，我们引入了 SybilBelief，这是一个用于检测 Sybil 节点的半监督学习框架。SybilBelief 以系统中节点的社交网络、一小部分已知的良性节点以及可选的一小部分已知的 Sybil 节点作为输入。然后，SybilBelief 将标签信息从已知的良性和/或 Sybil 节点传播到系统中的其余节点。我们使用合成和真实世界的社交网络拓扑对 SybilBelief 进行了评估。结果表明，SybilBelief 能够以低假阳性率和低假阴性率准确识别 Sybil 节点。SybilBelief 对我们关于已知良性和 Sybil 节点的先验知识中的噪声具有鲁棒性。此外，SybilBelief 的表现比现有的 Sybil 分类机制高出几个数量级，并且显著优于现有的 Sybil 排名机制。
引用
@article{arxiv.1312.5035,
title = {SybilBelief: A Semi-supervised Learning Approach for Structure-based Sybil Detection},
author = {Neil Zhenqiang Gong and Mario Frank and Prateek Mittal},
journal= {arXiv preprint arXiv:1312.5035},
year = {2016}
}
备注
12 pages