[논문 리뷰] Structure-based Sybil Detection in Social Networks via Local Rule-based Propagation

Binghui Wang, Jinyuan Jia외 2명|arXiv (Cornell University)|2018. 03. 12.

Spam and Phishing Detection참고 문헌 39인용 수 7

한 줄 요약

이 논문은 랜덤 워크(RW)-기반 및 루프 없는 신뢰도 전파(LBP)-기반 접근법을 국소 규칙 기반 전파 프레임워크를 통해 통합하는 가시성 있고 수렴 가능하며 강건한 구조 기반 시빌 감지 방법인 SybilSCAR를 제안한다. SybilSCAR는 최신 RW-기반 방법보다 뛰어난 정확도와 노이즈에 대한 강건성을 확보하면서도 LBP-기반 방법보다 훨씬 뛰어난 확장성을 보이며, 트위터(4170만 개 노드, 120억 개 에지)를 포함한 대규모 실세계 네트워크에서 수렴을 보장한다.

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.

연구 동기 및 목표

• 기존의 구조 기반 시빌 감지 방법의 한계를 해결한다. 즉, RW-기반 방법의 레이블 활용도 부족과 LBP-기반 방법의 수렴성 및 확장성 부족 문제를 해결한다.
• 노드에 대한 반복적 국소 규칙 적용 기반의 공통 프레임워크를 통해 RW-기반 및 LBP-기반 시빌 감지 방법을 통합한다.
• RW 및 LBP 방법의 강점을 통합하면서도 약점을 보완하는 새로운 국소 규칙을 설계한다.
• 제안된 방법이 실세계 소셜 네트워크에서 확장성, 수렴성, 정확도, 레이블 노이즈에 대한 강건성을 확보하도록 보장한다.
• 4170만 개 노드와 120억 개 에지를 포함한 대규모 실세계 트위터 데이터셋과 시뮬레이션 시빌 데이터셋에서 뛰어난 성능을 입증한다.

제안 방법

• 각 노드에 대해 국소 규칙의 반복적 적용을 모델링하는 일반적 프레임워크를 제안하여, RW-기반 및 LBP-기반 방법의 통합적 분석과 비교를 가능하게 한다.
• 이웃 영향을 모델링하기 위해 레이블의 유사성 확률을 나타내는 간선 가중치를 사용하고, 레이블가 있는 노드에 대한 잔류 사전 확률을 도입하는 새로운 국소 규칙을 설계한다.
• 레이블가 있는 정상 사용자와 레이블가 있는 시빌 사용자를 동시에 활용하여, 네트워크 전반에 걸쳐 레이블 정보를 반복적으로 전파한다.
• 상대 오차 기준을 충족하는 연속 반복 간의 수렴을 정의하기 위해 잔류 사후 확률 벡터를 사용한다.
• 두 가지 변형을 구현한다: SybilSCAR-C(고정된 간선 가중치) 및 SybilSCAR-D(도수 정규화된 간선 가중치)로, 간선 가중치 설계에 대한 민감도를 평가한다.
• 이론적 분석을 통해 SybilSCAR는 이전 방법보다 더 날카로운 渐近적 오류 수용 한계를 가지며, 적절한 매개변수 설정 하에서는 수렴이 보장됨을 입증한다.

실험 결과

연구 질문

• RQ1 국소 규칙 전파를 공통 메커니즘으로 사용하여, RW-기반 및 LBP-기반 시빌 감지 방법을 분석하고 비교할 수 있는 통합 프레임워크를 개발할 수 있는가?
• RQ2 레이블가 있는 정상 사용자와 시빌 사용자를 동시에 활용하고, 레이블 노이즈에 대한 강건성을 향상시키며, 수렴성을 보장할 수 있는 새로운 국소 규칙을 어떻게 설계할 수 있는가?
• RQ3 레이블 노이즈 하에서 SybilSCAR는 최신 RW-기반 방법(SybilRank)보다 감지 정확도와 강건성 면에서 얼마나 뛰어나게 성능을 발휘하는가?
• RQ4 실세계 네트워크에서 SybilSCAR는 최신 LBP-기반 방법(SybilBelief)과 비교해 확장성과 수렴성 면에서 어떻게 다른가?
• RQ5 잔류 사전 확률 매개변수 θ와 같은 핵심 매개변수의 영향은 SybilSCAR의 성능과 안정성에 어떤가?

주요 결과

• SybilSCAR-C는 테스트된 모든 노이즈 수준에서 SybilRank보다 유의미하게 높은 AUC를 확보하여, 페이스북 데이터셋에서 뛰어난 정확도와 레이블 노이즈에 대한 강건성을 입증한다.
• SybilSCAR-C는 SybilBelief보다 약 10배 빠르고 메모리 사용량도 현저히 줄이며, 최적화된 구현에서는 비최적화된 SybilBelief 대비 최대 100배 빠른 성능 향상을 보였다.
• SybilSCAR-C와 SybilSCAR-D는 실세계 네트워크에서 몇 차례 반복 후 수렴하지만, SybilBelief는 네트워크의 루프로 인해 상대 오차가 진동하며 수렴하지 못한다.
• SybilSCAR-C가 SybilSCAR-D보다 뛰어나, 고정된 간선 가중치가 도수 정규화된 가중치보다 시빌 감지에 더 유용함을 시사한다.
• SybilSCAR는 θ 매개변수의 선택에 대해 안정적이며, 0.1에서 0.5 범위에서 테스트한 결과 일관된 성능을 보였다.
• 대규모 트위터 데이터셋(4170만 개 노드, 120억 개 에지)에서 SybilSCAR는 높은 정확도와 확장성을 유지하여 실세계 적용 가능성에 대한 확인을 받았다.