[论文解读] SybilFence: Improving Social-Graph-Based Sybil Defenses with User Negative Feedback

Qiang Cao, Xiaowei Yang|arXiv (Cornell University)|Apr 13, 2013

Spam and Phishing Detection参考文献 18被引用 30

一句话总结

SybilFence 通过引入用户负面反馈（如被拒绝的好友请求）来增强基于社交图的 Sybil 防御机制，对可疑社交连接进行惩罚。通过降低与负面反馈相关的边的权重，它减少了 Sybil 攻击边的影响，在持续发起连接请求的攻击下，检测准确率相比 SybilRank 提高了 10%–20%。

ABSTRACT

Detecting and suspending fake accounts (Sybils) in online social networking (OSN) services protects both OSN operators and OSN users from illegal exploitation. Existing social-graph-based defense schemes effectively bound the accepted Sybils to the total number of social connections between Sybils and non-Sybil users. However, Sybils may still evade the defenses by soliciting many social connections to real users. We propose SybilFence, a system that improves over social-graph-based Sybil defenses to further thwart Sybils. SybilFence is based on the observation that even well-maintained fake accounts inevitably receive a significant number of user negative feedback, such as the rejections to their friend requests. Our key idea is to discount the social edges on users that have received negative feedback, thereby limiting the impact of Sybils' social edges. The preliminary simulation results show that our proposal is more resilient to attacks where fake accounts continuously solicit social connections over time.

研究动机与目标

• 解决现有基于社交图的 Sybil 防御机制的局限性，这些机制依赖于攻击边的数量，容易被 Sybil 通过大量发起连接请求所规避。
• 利用观察结果：即使维护良好的虚假账号也会收到谨慎用户的负面反馈，表明存在不信任。
• 开发一种防御机制，利用负面反馈削弱社交图中攻击边的影响。
• 提升 Sybil 检测系统对长期持续发起连接请求的 Sybil 的鲁棒性。
• 证明引入用户反馈可在不修改 OSN 用户行为或信任模型的前提下提升检测准确率。

提出的方法

• 提出一种加权防御图，其中社交边根据其端点用户所收到的负面反馈进行折扣。
• 在加权图上应用 SybilRank 算法，利用边权重反映与负面反馈相关联的连接信任度降低。
• 将负面反馈建模为对好友请求的拒绝或对 unwanted 通信的举报，这些信息在 Facebook 等 OSN 中已存在。
• 通过仿真评估在不同攻击条件下的性能，包括连接请求数量增加和拒绝率变化的情况。
• 使用偏移因子设定边折扣的阈值，以在不过度惩罚合法用户的同时保持对负面反馈的敏感性。
• 在非 Sybil 用户也可能被拒绝的条件下评估系统，以测试其对误报的鲁棒性。

实验结果

研究问题

• RQ1 用户负面反馈能否有效用于提升社交网络中 Sybil 账号的检测能力？
• RQ2 在 Sybil 持续发起连接请求的场景下，引入负面反馈如何影响基于社交图的 Sybil 防御的鲁棒性？
• RQ3 对 Sybil 和非 Sybil 用户的拒绝率变化（分别或共同）对 SybilFence 检测准确率有何影响？
• RQ4 当攻击边数量随时间增加时，SybilFence 相较于现有防御方案（如 SybilRank）的性能优势有多大？
• RQ5 在何种情况下 SybilFence 可能退化或失效，特别是当非 Sybil 用户比 Sybil 更可能被拒绝时？

主要发现

• 在 Sybil 持续发起连接请求的仿真中，SybilFence 相比 SybilRank 将检测准确率提高了 10%–20%。
• 当攻击边数量从约 500 增加到约 3,000 时，SybilFence 仅表现出轻微性能下降，而 SybilRank 的性能则急剧下降。
• 对 Sybil 请求的拒绝率从 0.5 提高到 0.95 时，SybilFence 和 SybilRank 的检测准确率均有所提升，但 SybilFence 凭借基于反馈的边折扣机制保持了更高的准确率。
• 当非 Sybil 用户的拒绝率超过 0.25 时，SybilFence 的优势减弱，因为此时非 Sybils 受到的惩罚超过 Sybils，可能导致非 Sybils 被错误地排在较低排名。
• 只要 Sybils 比非 Sybils 更可能收到负面反馈，系统就能保持有效性，这一条件在用户普遍对陌生人保持谨慎的现实场景中成立。
• SybilFence 与现有 Sybil 防御方案（如 SybilLimit 和 Bazaar）兼容，表明其具有超越 SybilRank 的更广泛应用潜力。