地下论坛中私密交互的预测：基于泄露数据的监督学习方法
密码学与安全
2018-05-14 v1
摘要
用户讨论、购买和出售非法服务与商品的地下论坛，有助于更好地理解网络犯罪的经济与组织形态。已有研究表明，尤其是私密交互能为网络犯罪生态系统提供大量信息。然而，除发生泄露外，分析人员很少能获取这些消息。为解决该问题，我们提出一种基于监督机器学习的方法，能够在部分此类消息泄露后，预测哪些公开\threads将产生私密消息。据我们所知，我们是首个开发出克服地下论坛分析中私密活动信息有限或缺失这一障碍的方案。此外，我们提出一种自动化的帖子标注方法，在存在真实无标签数据时显著降低了本方法的成本。该方法可调整为聚焦于用户接收私密消息的可能性，或\threads引发私密交互的可能性。我们使用来自三次真实论坛泄露的数据评估了方法的性能。结果表明，公开信息确实可用于预测私密活动，尽管预测模型在不同论坛间迁移效果较差。我们还发现，泄露时段的长度以及泄露与预测之间的时间间隔对本方法性能均无显著影响，且 NLP 特征在预测能力中占主导地位。
引用
@article{arxiv.1805.04494,
title = {Under the Underground: Predicting Private Interactions in Underground Forums},
author = {Rebekah Overdorf and Carmela Troncoso and Rachel Greenstadt and Damon McCoy},
journal= {arXiv preprint arXiv:1805.04494},
year = {2018}
}