Revolutionärer ML-Algorithmus erkennt Fake-IDs in sozialen Medien

Forscher entwickeln neue Methode basierend auf ML zur Identifikation gefälschter Nutzer auf Social-Media-Plattformen. Algorithmus basiert auf Annahme: Fake-Nutzer bauen unangemessene Links zu anderen Nutzern auf. Ergebnisse zeigen: Algorithmus erkennt sowohl echte als auch böswillige Nutzer.

Hintergrund

Fake-User-Erkennung zur Top-Priorität für Social Networks geworden – besonders nach gezielter Nutzung durch Russland zur Beeinflussung US-Wahlen und Datenschutzversagen.

University of Washington und University of the Negev bauten neuartigen generischen unüberwachten Lernalgorithmus zur Lokalisierung gefälschter Nutzer auf Twitter, Facebook etc.

Neuer Algorithmus basiert auf Vorhersage: Fake-Nutzer erstellen unangemessene Links zu anderen Nutzern im Netzwerk. Forscher integrierten Link-Prediction-Methode in Anomalieerkennungsmodell ohne Vorwissen zum Graphen.

Algorithmus-Funktionsweise

Graphentopologie genutzt für neuartige generische Methode zur Detektion anomaler Knoten in großen, komplexen Netzwerken. Algorithmus hat 2 Schlüsseliterationen basierend auf ML-Techniken:

1. Link-Prediction-Klassifikator für Link-Wahrscheinlichkeit zwischen zwei Nutzern.
2. Neues Meta-Feature-Set basierend auf Features aus Link-Prediction-Klassifikator.

7 neue Features als effektive Prädiktoren für Anomalieerkennung vorgeschlagen. Wichtigkeit via Weka's Information Gain Attribute Selection untersucht.

Umfassende experimentelle Evaluation auf 3 Netzwerktypen: Real-world mit gelabelten anomalen Knoten, Real-world mit simulierten anomalen Knoten, voll simulierte Netzwerke.

Datensätze: 10 verschiedene Netzwerke (Flixster10, Dblp8, Yelp, Academia.edu, ArXiv5, Twitter).

Ergebnisse: Algorithmus erkennt echte und böswillige Nutzer in echten Netzwerken inkl. Twitter. Übertrifft andere Anomalieerkennungs-Techniken. Potenzial für zahlreiche Anwendungen, besonders Cybersicherheit.

Ausblick

Entwickler prüfen Algorithmus für andere Netzwerktypen: gewichtete, bipartite Graphen. Studium: Was passiert mit Netzwerkeigenschaften bei zufälligen Kanten/Knoten-Hinzufügungen.

Weitere Demonstration: Wie gleicher Algorithmus gehackte Accounts in Social Platforms erkennt. Interessant: Welche Skala eines Sybil-Angriffs nötig, um Real/Fake-Knoten nicht mehr unterscheidbar zu machen.

Code & Daten online veröffentlicht (inkl. Real-World-Datensätze mit gelabelten Fake-IDs). Open Framework für Enhancement zukünftiger Vertex-Anomalieerkennungsmethoden und Ergebnisvergleich.