[论文解读] Gaming the Game: Honeypot Venues Against Cheaters in Location-based Social Networks

Konstantinos Pelechrinis, Prashant Krishnamurthy+1 more|arXiv (Cornell University)|Oct 16, 2012

Mobile Crowdsensing and Crowdsourcing参考文献 14被引用 8

一句话总结

本文提出一种基于蜜罐场馆的系统，结合挑战-响应机制，以检测并标记基于位置的社交网络（LBSNs）中的虚假签到。通过部署需要用户回答特定场馆问题才能签到的欺骗性场馆，该方案可识别无法正确回答的作弊者，从而减少用户生成的空间数据中的噪声，提升推荐等服务的可靠性。

ABSTRACT

The proliferation of location-based social networks (LBSNs) has provided the community with an abundant source of information that can be exploited and used in many different ways. LBSNs offer a number of conveniences to its participants, such as - but not limited to - a list of places in the vicinity of a user, recommendations for an area never explored before provided by other peers, tracking of friends, monetary rewards in the form of special deals from the venues visited as well as a cheap way of advertisement for the latter. However, service convenience and security have followed disjoint paths in LBSNs and users can misuse the offered features. The major threat for the service providers is that of fake check-ins. Users can easily manipulate the localization module of the underlying application and declare their presence in a counterfeit location. The incentives for these behaviors can be both earning monetary as well as virtual rewards. Therefore, while fake check-ins driven from the former motive can cause monetary losses, those aiming in virtual rewards are also harmful. In particular, they can significantly degrade the services offered from the LBSN providers (such as recommendations) or third parties using these data (e.g., urban planners). In this paper, we propose and analyze a honeypot venue-based solution, enhanced with a challenge-response scheme, that flags users who are generating fake spatial information. We believe that our work will stimulate further research on this important topic and will provide new directions with regards to possible solutions.

研究动机与目标

• 解决基于位置的社交网络（LBSNs）中虚假签到日益严重的问题，此类问题会降低数据质量和系统可靠性。
• 识别并缓解两类作弊者：为获取折扣而作弊的金钱作弊者，以及为获取虚拟奖励而作弊的游戏作弊者。
• 提出一种无需依赖可信第三方的检测机制，使LBSN提供商能够独立部署。
• 提升聚合签到数据在推荐、城市规划和移动性研究等应用中的可信度。

提出的方法

• 部署蜜罐场馆（HVs），其外观与真实场馆相似但不为公众所知，以诱骗作弊者。
• 实施挑战-响应协议，要求用户回答与场馆相关的问题（例如：'今天的特餐是什么？'）才能签到。
• 使用概率模型，基于真实场馆和蜜罐场馆的数量，估算作弊者签到蜜罐场馆的可能性。
• 由场馆所有者负责管理挑战内容的更新，在检测效果与运营成本之间取得平衡。
• 采用基于阈值的检测机制，利用函数 $ h $ 标记在多次挑战-响应测试中失败的用户。
• 设计系统时仅由LBSN提供商部署，避免依赖外部可信实体。

实验结果

研究问题

• RQ1 如何在不依赖外部可信基础设施的前提下检测LBSNs中的虚假签到？
• RQ2 蜜罐场馆与挑战-响应机制结合在识别作弊者方面的有效性如何？
• RQ3 虚假签到的存在如何降低基于数据的服务（如推荐系统）的性能？
• RQ4 在维护挑战-响应系统时，检测准确率与运营成本之间存在何种权衡？
• RQ5 LBSN提供商如何将蜜罐场馆集成到其现有系统中，同时不干扰真实用户的体验？

主要发现

• 所提出的结合挑战-响应机制的蜜罐场馆系统显著提高了检测作弊者的概率，因为该机制要求用户掌握与场馆相关且具有时效性的信息。
• 该方法通过过滤不可靠的数据源，降低了虚假签到对推荐等基于数据的服务的影响。
• 该方案可仅由LBSN提供商独立部署，无需第三方信任或复杂的密码学机制。
• 尽管由于需要大规模部署蜜罐场馆而未进行定量评估，但理论模型表明，当 $ \lambda \gg \phi $ 时可实现高检测概率，其中 $ \lambda $ 为蜜罐数量，$ \phi $ 为真实场馆数量。
• 金钱作弊者可能仍提供一些间接的偏好信号，但游戏作弊者——其虚假签到纯粹为获取虚拟奖励——显著降低了数据质量，对推荐系统更具破坏性。
• 该系统使提供商能够标记或忽略作弊者的数据，而无需封禁用户，从而在保持系统可用性的同时维护数据完整性。