Forskere udvikler algoritme til at lokalisere falske brugere på mange sociale netværk

Ben-Gurion University of the Negev (Beer-Sheva, Israel) og University of Washington (Seattle) forskere har udviklet en ny generisk metode til at opdage falske konti på de fleste typer sociale netværk, herunder Facebook og Twitter.

Ifølge en ny undersøgelse i Sociale netværk analyse og minedrift , den nye metode er baseret på den antagelse, at falske konti har en tendens til at etablere usandsynlige links til andre brugere i netværkene.

"Med de seneste foruroligende nyheder om fejl i sikringen af ​​brugernes privatliv, og målrettet brug af sociale medier i Rusland til at påvirke valg, at udrydde falske brugere har aldrig været af større betydning, "forklarer Dima Kagan, hovedforsker og forsker i BGU -afdelingen for software- og informationssystemteknik. "Vi testede vores algoritme på simulerede og virkelige datasæt på 10 forskellige sociale netværk, og det fungerede godt på begge dele."

Algoritmen består af to hoved iterationer baseret på maskinlæringsalgoritmer. Den første konstruerer en linkforudsigelsesklassifikator, der kan estimere, med høj nøjagtighed, sandsynligheden for et link mellem to brugere. Den anden iteration genererer et nyt sæt metafunktioner baseret på de funktioner, der er oprettet af linkforudsigelsesklassificatoren. Endelig, forskerne brugte disse metafunktioner og konstruerede en generisk klassifikator, der kan registrere falske profiler i en række online sociale netværk.

"Samlet set, resultaterne viste, at vi i et ægte venskabsscenario kan opdage mennesker, der har de stærkeste venskabsbånd såvel som ondsindede brugere, selv på Twitter, "siger forskerne." Vores metode er bedre end andre metoder til detektering af anomali, og vi mener, at den har et stort potentiale for en lang række applikationer, især inden for cybersikkerhedsarenaen. "

Ben-Gurion-universitetets forskere har tidligere udviklet Social Privacy Protector (SPP) for at hjælpe brugerne med at evaluere deres venneliste på få sekunder for at identificere, hvilke der har få eller ingen indbyrdes forbindelser og kan være "falske" profiler.