[论文解读] Ranking the Importance Level of Intermediaries to a Criminal using a Reliance Measure

Pritheega Magalingam, Stephen Davis+1 more|arXiv (Cornell University)|Jun 20, 2015

Complex Network Analysis Techniques参考文献 54被引用 3

一句话总结

本文提出一种新颖的依赖度度量方法，基于最短路径依赖关系，而非全局中心性，对犯罪网络中特定嫌疑人的关键中间人进行重要性排序。与接近中心性不同，该依赖度度量能识别出对特定源节点最为依赖的节点，从而揭示隐藏的关键人物——例如在Enron和Noordin Top网络中被定罪的非金融管理人员——在洗钱活动中的核心作用。

ABSTRACT

Recent research on finding important intermediate nodes in a network suspected to contain criminal activity is highly dependent on network centrality values. Betweenness centrality, for example, is widely used to rank the nodes that act as brokers in the shortest paths connecting all source and all the end nodes in a network. However both the shortest path node betweenness and the linearly scaled betweenness can only show rankings for all the nodes in a network. In this paper we explore the mathematical concept of pair-dependency on intermediate nodes, adapting the concept to criminal relationships and introducing a new source-intermediate reliance measure. To illustrate our measure, we apply it to rank the nodes in the Enron email dataset and the Noordin Top Terrorist networks. We compare the reliance ranking with Google PageRank, Markov centrality as well as betweenness centrality and show that a criminal investigation using the reliance measure, will lead to a different prioritisation in terms of possible people to investigate. While the ranking for the Noordin Top terrorist network nodes yields more extreme differences than for the Enron email transaction network, in the latter the reliance values for the set of finance managers immediately identified another employee convicted of money laundering.

研究动机与目标

• 解决诸如接近中心性等全局中心性度量在识别仅对特定嫌疑人的犯罪网络中关键中间人方面的局限性。
• 开发一种针对性度量方法，量化源节点通过最短路径对中间节点的依赖程度，聚焦于个体嫌疑人的网络。
• 通过优先关注对嫌疑人的网络最为关键的节点，提升刑事调查效率，尤其在洗钱案件中，关键人物可能被隐藏时更具优势。
• 在真实数据集（Enron电子邮件网络和Noordin Top恐怖主义网络）上验证该方法的有效性，这些数据集中传统中心性度量未能突出关键嫌疑人。

提出的方法

• 提出一种基于源节点通过最短路径对中间节点依赖度的依赖度度量，形式化为从源节点到所有其他节点的最短路径中，经过某一特定中间节点的比例。
• 应用SPNSA（最短路径网络搜索算法）提取以嫌疑人为中心的子网络，仅关注相关路径。
• 使用依赖度公式计算嫌疑人在每个中间节点上的依赖程度，按其对嫌疑人的关键性进行排序。
• 将依赖度排序与PageRank、马尔可夫中心性和接近中心性进行比较，以评估性能和独特性。
• 在Enron电子邮件数据集（BCC和TO/CC子网络）以及Noordin Top恐怖主义网络上进行网络分析，以验证该方法。
• 将“犯罪优先节点”定义为每个嫌疑人的前几名中间人，建议作为进一步调查的目标。

实验结果

研究问题

• RQ1 如何识别对特定嫌疑人最为关键的中间人，而非对整个网络而言？
• RQ2 基于最短路径依赖的依赖度度量是否能优于传统中心性度量，揭示犯罪网络中的隐藏关键人物？
• RQ3 依赖度度量在多大程度上能揭示那些在接近中心性中排名不高但实际在操作中至关重要的个体？
• RQ4 该依赖度度量是否有助于识别真实犯罪网络（如Enron和Noordin Top）中的已知罪犯或关键人物？
• RQ5 与PageRank、马尔可夫中心性和接近中心性相比，该依赖度度量在性能和排名独特性方面表现如何？

主要发现

• 依赖度度量在TO/CC网络中识别出George Wasaff（ID 10351）为所有Enron金融管理人员最依赖的节点，这是接近中心性无法揭示的关键洞察。
• 在Enron BCC网络中，依赖度度量凸显出Ben Glisan（1369）和Andrew Fastow（686）互为依赖核心，两人后来均因洗钱罪被定罪。
• 依赖度排序揭示了一名非金融管理人员因洗钱罪被定罪，而该人物未被接近中心性识别，证明了该方法在发现隐藏关键人物方面的有效性。
• 与接近中心性、PageRank和马尔可夫中心性相比，依赖度度量产生了显著不同的节点排序，尤其在Noordin Top网络中表现突出，显示出其独特的调查价值。
• SPNSA算法成功将网络规模缩减为可管理的子网络，使调查能聚焦于与每个嫌疑人最相关的节点。
• 依赖度度量使调查人员能够优先关注一组高概率嫌疑人（如Noordin Top网络中的5名关键成员）进行深入分析，从而提升调查效率。