[論文レビュー] Structure-based Sybil Detection in Social Networks via Local Rule-based Propagation

Binghui Wang, Jinyuan Jia+2 more|arXiv (Cornell University)|Mar 12, 2018

Spam and Phishing Detection参考文献 39被引用数 7

ひとこと要約

本稿では、ローカルルールに基づく伝播フレームワークを用いて、ランダムウォーク（RW）ベースおよびループ付きベイズ推論（LBP）ベースの手法を統合する、スケーラブルで収束性があり、耐障害性に優れた構造ベースのシビル検出手法であるSybilSCARを提案する。SybilSCARは、最先端のRWベース手法に比べて優れた精度とノイズ耐性を達成し、LBPベース手法に比べて顕著に優れたスケーラビリティを有する。また、Twitter（4170万ノード、120億エッジ）を含む大規模な実世界ネットワークにおいても収束を保証する。

ABSTRACT

Sybil detection in social networks is a basic security research problem. Structure-based methods have been shown to be promising at detecting Sybils. Existing structure-based methods can be classified into Random Walk (RW)-based methods and Loop Belief Propagation (LBP)-based methods. RW-based methods cannot leverage labeled Sybils and labeled benign users simultaneously, which limits their detection accuracy, and/or they are not robust to noisy labels. LBP-based methods are not scalable and cannot guarantee convergence. In this work, we propose SybilSCAR, a novel structure-based method to detect Sybils in social networks. SybilSCAR is Scalable, Convergent, Accurate, and Robust to label noise. We first propose a framework to unify RW-based and LBP-based methods. Under our framework, these methods can be viewed as iteratively applying a (different) local rule to every user, which propagates label information among a social graph. Second, we design a new local rule, which SybilSCAR iteratively applies to every user to detect Sybils. We compare SybilSCAR with state-of-the-art RW-based and LBP-based methods theoretically and empirically. Theoretically, we show that, with proper parameter settings, SybilSCAR has a tighter asymptotical bound on the number of Sybils that are falsely accepted into a social network than existing structure-based methods. Empirically, we perform evaluation using both social networks with synthesized Sybils and a large-scale Twitter dataset (41.7M nodes and 1.2B edges) with real Sybils. Our results show that 1) SybilSCAR is substantially more accurate and more robust to label noise than state-of-the-art RW-based methods; 2) SybilSCAR is more accurate and one order of magnitude more scalable than state-of-the-art LBP-based methods.

研究の動機と目的

• 既存の構造ベースのシビル検出手法の限界に対処する。具体的には、RWベース手法におけるラベルの低効率利用、LBPベース手法における収束性の欠如およびスケーラビリティの不足。
• ノードに対する反復的ローカルルール適用に基づく共通フレームワークを用いて、RWベースおよびLBPベースのシビル検出手法を統合する。
• RWおよびLBP手法の長所を統合し、それぞれの短所を克服する、新たなローカルルールを設計する。
• 提案手法が、スケーラビリティ、収束性、精度、実世界のソーシャルネットワークにおけるラベルノイズに対する耐障害性を満たすことを保証する。
• 4170万ノード、120億エッジを有する大規模な実世界のTwitterデータセットを含む、合成および実世界のデータセットにおいて優れた性能を示す。

提案手法

• 各ノードに対してローカルルールを反復的に適用する枠組みを提案し、これによりRWベースおよびLBPベース手法の両方をモデル化することで、統一的分析と比較が可能になる。
• 隣接ノードの影響を、ラベルの同調確率を表すエッジ重みを用いてモデル化する新しいローカルルールを設計。ラベル付きノードには残留事前確率を導入。
• ラベル付き健全ユーザとラベル付きシビルの両方を同時に活用して、ラベル情報のネットワーク全体への伝播を反復的に実行。
• ラベル信頼度を追跡するための残留事後確率ベクトルを用い、収束は連続反復間の相対誤差の閾値によって定義。
• エッジ重み設計への感受性を評価するため、2つのバリアントを実装：SybilSCAR-C（定数エッジ重み）およびSybilSCAR-D（次数正規化エッジ重み）。
• 理論的分析により、SybilSCARは先行手法に比べて、誤って許可されるシビルの漸近的バインドがタイトであり、適切なパrameter設定下で収束が保証されることを示した。

実験結果

リサーチクエスチョン

• RQ1 ローカルルール伝播という共通メカニズムを用いて、RWベースおよびLBPベースのシビル検出手法を統一的に分析・比較するフレームワークを開発可能か？
• RQ2 ラベル付き健全ユーザとシビルの両方を同時に活用し、ラベルノイズに対して耐障害性を高め、収束性を保証する新しいローカルルールをどのように設計できるか？
• RQ3 SybilSCARは、ラベルノイズ下でも最先端のRWベース手法（例：SybilRank）に比べて、検出精度および耐障害性においてどの程度優れているか？
• RQ4 実世界ネットワークにおいて、SybilSCARは最先端のLBPベース手法（例：SybilBelief）に比べて、スケーラビリティおよび収束性においてどの程度優れているか？
• RQ5 残留事前確率パラメータθの選択が、SybilSCARの性能および安定性に及ぼす影響はいかほどか？

主な発見

• SybilSCAR-Cは、Facebookデータセットにおいて、テストされた全ノイズレベルでSybilRankを上回る顕著な高いAUCを達成し、ラベルノイズに対する優れた精度と耐障害性を示した。
• SybilSCAR-Cは、SybilBeliefに比べて10倍速く、メモリ使用量も大幅に削減された。最適化実装では、非最適化されたSybilBeliefに比べて最大で100倍の高速化が達成された。
• 実世界ネットワークにおいて、SybilSCAR-CおよびSybilSCAR-Dは数回の反復で収束したが、SybilBeliefはネットワーク構造上のループの影響で相対誤差が振動し、収束しなかった。
• SybilSCAR-CはSybilSCAR-Dを上回った。これは、定数エッジ重みが次数正規化重みよりもシビル検出においてより情報量が多いことを示している。
• θを0.1〜0.5の範囲でテストしたところ、SybilSCARは事前確率パラメータθの選択に対して安定しており、異なる値でも一貫した性能を示した。
• 大規模なTwitterデータセット（4170万ノード、120億エッジ）においても、SybilSCARは高い精度とスケーラビリティを維持した。これは、実世界への実用的適用可能性を確認するものである。