[论文解读] 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 6

一句话总结

HoloScope 提出了一种拓扑结构与脉冲感知的欺诈检测框架，通过统一图拓扑、时间突发/骤降模式以及评分偏差，提升了对低密度欺诈用户群的检测准确率。通过动态加权可疑节点并建模攻击时间成本，该方法在真实和合成数据集上实现了次二次方复杂度的最先进性能。

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.

研究动机与目标

• 解决传统密集子图检测方法难以识别的低密度欺诈用户群检测挑战。
• 降低现有欺诈检测算法中因节点选择偏差导致的误报率。
• 建模时间上的攻击模式，如用户活动的突然激增与骤降，以提升检测灵敏度。
• 引入可疑用户与正常用户之间评分偏差的度量，以增强欺诈信号的识别能力。
• 设计一种可扩展的、次二次方复杂度的算法，全面整合多种欺诈信号。

提出的方法

• HoloScope 提出‘对比可疑度’机制，一种基于用户可疑度动态信念演变的动态加权方案，可提升对低密度欺诈行为的检测能力。
• 通过检测活动的突然激增与骤降来建模时间突发与骤降，用于提高欺诈者发动攻击的时间成本。
• 引入评分偏差，通过衡量可疑用户与非可疑用户所给予的评分差异，识别评分操纵行为。
• 将拓扑结构、时间模式与评分信号统一整合至单一可疑度评分框架中，实现整体欺诈检测。
• 在合理假设下，该算法运行时间复杂度为次二次方，支持大规模图的可扩展性。
• 理论分析表明，使用时间上界以下攻击的欺诈者将不可避免触发可检测的突发或骤降，从而阻碍其攻击。

实验结果

研究问题

• RQ1 能否通过结合拓扑结构、时间突发信号与评分偏差，提升欺诈检测方法在低密度欺诈群上的准确率？
• RQ2 与固定权重或基于平均度的方法相比，动态的、拓扑感知的加权机制在降低误报率方面效果如何？
• RQ3 时间突发与骤降在多大程度上可作为检测协同欺诈活动的可靠信号？
• RQ4 可疑用户与正常用户之间的评分偏差能否提升欺诈检测的精度？
• RQ5 HoloScope 对攻击者的时间成本具有怎样的理论影响？

主要发现

• 在半真实数据集上，HoloScope 的 AUC 达到接近 0.995，优于所有竞争方法，在两种情况下达到理想 AUC 值。
• 在 Sina Weibo 真实数据集上，HoloScope 检测到 3,781 个已标记的欺诈用户，显著优于 M-Zoom（1,963 个）和 D-Cube。
• HoloScope 在已标记消息上的 F-measure 达到约 0.8，其精确率与召回率均优于 M-Zoom 和 D-Cube。
• 该方法可检测到最低密度仅为 0.0143（14,000 个账户中仅 200 条边）的欺诈行为，证明其在低密度场景下的有效性。
• HoloScope 的运行时间随边数近似线性增长，证实其在 BeerAdvocate 和 Amazon Electronics 等大规模数据集上具备次二次方可扩展性。
• CrossSpot 尽管召回率高，但精确率极低（<1%），凸显 HoloScope 在精确率与召回率之间更优的平衡能力。