[論文レビュー] HoloScope: Topology-and-Spike Aware Fraud Detection

Shenghua Liu, Bryan Hooi+1 more|arXiv (Cornell University)|May 6, 2017

Spam and Phishing Detection参考文献 16被引用数 6

ひとこと要約

HoloScopeは、グラフのトポロジー、時間的バースト/ドロップパターン、レーティングの乖離を統合することで、低密度な不正ユーザー集団の検出精度を向上させるトポロジーおよびスパイクに配慮した不正検出フレームワークを提案する。動的重み付けによる不正なノードの評価と攻撃時間コストのモデル化により、実データおよび合成データ上で準2次時間計算量のスケーラビリティを達成し、最先端の性能を実現する。

ABSTRACT

As online fraudsters invest more resources, including purchasing large pools of fake user accounts and dedicated IPs, fraudulent attacks become less obvious and their detection becomes increasingly challenging. Existing approaches such as average degree maximization suffer from the bias of including more nodes than necessary, resulting in lower accuracy and increased need for manual verification. Hence, we propose HoloScope, which uses information from graph topology and temporal spikes to more accurately detect groups of fraudulent users. In terms of graph topology, we introduce "contrast suspiciousness," a dynamic weighting approach, which allows us to more accurately detect fraudulent blocks, particularly low-density blocks. In terms of temporal spikes, HoloScope takes into account the sudden bursts and drops of fraudsters' attacking patterns. In addition, we provide theoretical bounds for how much this increases the time cost needed for fraudsters to conduct adversarial attacks. Additionally, from the perspective of ratings, HoloScope incorporates the deviation of rating scores in order to catch fraudsters more accurately. Moreover, HoloScope has a concise framework and sub-quadratic time complexity, making the algorithm reproducible and scalable. Extensive experiments showed that HoloScope achieved significant accuracy improvements on synthetic and real data, compared with state-of-the-art fraud detection methods.

研究の動機と目的

• 従来の密な部分グラフ検出手法では検出されない低密度な不正ユーザー集団の検出という課題に対処すること。
• 既存の不正検出アルゴリズムにおけるノードの偏りのある含め方によって引き起こされる誤検出を低減すること。
• ユーザー活動の急激なバーストや低下といった時間的攻撃パターンをモデル化し、検出感度を向上させること。
• 不正ユーザーと通常ユーザーの間のレーティングの乖離を組み込むことで、不正シグナルの検出を強化すること。
• 複数の不正シグナルを包括的に統合する、スケーラブルな準2次時間計算量のアルゴリズムを設計すること。

提案手法

• HoloScopeは『対照的不審性』を導入し、ユーザーの不審性に関する逐次的信念に基づいてオブジェクトの重みを再設定する動的重み付け方式を採用することで、低密度不正の検出を向上させる。
• 時間的バーストとドロップを検出することで、活動の急増・急減を特定し、攻撃者が攻撃を実行するための時間コストを増加させる。
• レーティングの乖離を組み込み、不正ユーザーと非不正ユーザーが与えるレーティングの差を測定することで、操作の兆候を特定する。
• トポロジー、時間的パターン、レーティングシグナルを統合した1つの不審性スコアリングフレームワークを構築し、包括的な不正検出を実現する。
• 妥当な仮定の下で、アルゴリズムは準2次時間計算量で動作し、大規模なグラフへのスケーラビリティを実現する。
• 理論的分析により、時間の上限未満で攻撃を行う不正ユーザーは、検出可能なバーストやドロップを引き起こすことが示され、攻撃が阻害されることを示している。

実験結果

リサーチクエスチョン

• RQ1 トポロジー、時間的スパイク、レーティングの乖離を統合することで、低密度不正ブロックの検出精度を向上させられるか？
• RQ2 動的でトポロジーに配慮した重み付けは、固定または平均次数に基づく方法と比較して、誤検出をどれほど低減できるか？
• RQ3 時間的バーストとドロップが、連携した不正キャンペーンの検出にどれほど信頼できるシグナルとして機能するか？
• RQ4 不正ユーザーと通常ユーザーの間のレーティングの乖離は、不正検出の精度を向上させられるか？
• RQ5 HoloScopeは、敵対的攻撃の時間コストにどのような理論的影響を与えるか？

主な発見

• HoloScopeは、準実データセットにおいて、他社と比較して最高のAUC（0.995に近い）を達成し、2つのケースで理想のAUCを達成した。
• Sina Weiboの実データセットでは、HoloScopeは3,781件のラベル付き不正ユーザーを検出。これはM-Zoom（1,963件）やD-Cubeを大きく上回った。
• HoloScopeは、ラベル付きメッセージにおいてF-measureを約0.8で達成し、精度と再現率の両面でM-ZoomおよびD-Cubeを上回った。
• 最小密度が0.0143（14,000アカウントに対して200エッジ）まで検出可能であり、低密度状況下での有効性を示した。
• HoloScopeの実行時間はエッジ数にほぼ線形に増加し、BeerAdvocateやAmazon Electronicsのような大規模データセットにおいても準2次時間計算量のスケーラビリティが確認された。
• CrossSpotは高い再現率を示したが、精度は1%未満にとどまり、HoloScopeの精度と再現率の優れたバランスを示している。