[论文解读] SybilFuse: Combining Local Attributes with Global Structure to Perform Robust Sybil Detection

Peng Gao, Binghui Wang+4 more|arXiv (Cornell University)|Mar 19, 2018

Hate Speech and Cyberbullying Detection被引用 12

一句话总结

SybilFuse 是一种纵深防御框架，通过结合本地节点和边的信任评分与全局网络结构，利用加权随机游走和环状信念传播，实现在真实社交网络中鲁棒的 Sybil 检测。在大规模标注的 Twitter 网络中，该方法在排名靠前的节点中实现了 98% 的 Sybil 覆盖率，显著优于当前最先进方法。

ABSTRACT

Sybil attacks are becoming increasingly widespread and pose a significant threat to online social systems; a single adversary can inject multiple colluding identities in the system to compromise security and privacy. Recent works have leveraged social network-based trust relationships to defend against Sybil attacks. However, existing defenses are based on oversimplified assumptions about network structure, which do not necessarily hold in real-world social networks. Recognizing these limitations, we propose SybilFuse, a defense-in-depth framework for Sybil detection when the oversimplified assumptions are relaxed. SybilFuse adopts a collective classification approach by first training local classifiers to compute local trust scores for nodes and edges, and then propagating the local scores through the global network structure via weighted random walk and loopy belief propagation mechanisms. We evaluate our framework on both synthetic and real-world network topologies, including a large-scale, labeled Twitter network comprising 20M nodes and 265M edges, and demonstrate that SybilFuse outperforms state-of-the-art approaches significantly. In particular, SybilFuse achieves 98% of Sybil coverage among top-ranked nodes.

研究动机与目标

• 解决现有 Sybil 检测方法在社交网络中对强信任关系的过度简化假设所导致的局限性。
• 提升在真实网络中攻击边丰富、信任关系微弱或不可靠情况下的检测鲁棒性。
• 开发一种纵深防御框架，利用异构信息源——本地属性与全局结构——实现更精确的 Sybil 分类。
• 在合成网络与大规模真实网络上评估该框架，包括一个包含 2000 万个节点和 26500 万条边的标注 Sybil 的大规模 Twitter 数据集。
• 在具有挑战性的网络条件下，展示该框架在 Sybil 排名和 AUC 指标上优于当前最先进方法的卓越性能。

提出的方法

• 训练本地分类器，为节点分配信任评分（表示其为良性节点的可能性），为边分配信任评分（表示其为非攻击边的可能性）。
• 使用加权随机游走和环状信念传播（LBP），将本地信任评分通过全局网络结构进行传播。
• 将边的信任评分作为传播过程中的权重，以降低攻击边对评分扩散的影响。
• 结合本地分类器输出与全局结构传播结果，生成每个节点的最终信任评分。
• 根据最终信任评分对节点进行排序，以识别并优先处理潜在的 Sybil 账号。
• 将该框架应用于合成网络与真实网络拓扑，包括一个大规模、标注的 Twitter 网络（2000 万个节点，26500 万条边）。

实验结果

研究问题

• RQ1 当真实社交网络中常见的强信任假设被违反时，Sybil 检测框架是否仍能保持高性能？
• RQ2 在攻击边密度较高的情况下，结合本地属性与全局网络结构在多大程度上提升了 Sybil 检测的鲁棒性？
• RQ3 在真实、大规模网络中，SybilFuse 在 Sybil 排名和 AUC 指标上相较于当前最先进方法的优越性体现在何处？
• RQ4 SybilFuse 对社交活跃度变化或策略性攻击者操纵特征等对抗性策略的鲁棒性如何？
• RQ5 该框架是否能有效检测出可规避平台级检测策略（如 Twitter 的账号封禁机制）的 Sybil 账号？

主要发现

• 在大规模标注的 Twitter 网络中，SybilFuse 在排名前 1000 名的节点中实现了 98% 的 Sybil 覆盖率，显著优于当前最先进方法。
• 在同一 Twitter 数据集中，SybilFuse 的基于 LBP 的变体（SF-LBP）AUC 达到 0.94，相较于 SybilRank 和 CIA 等基线方法平均提升 0.28。
• 在排名前 1000 名节点中，与 SybilRank 相比，SybilFuse 将 Sybil 排名提升 54.8%；与 INT-PF 相比提升 55.1%；与 SybilSCAR 相比提升 53.9%。
• SybilFuse 识别出 29 个活跃 Sybil 账号中的 24 个（占 82.8%），这些账号成功规避了 Twitter 自身的检测策略，证明了其在检测隐蔽 Sybil 账号方面的有效性。
• 该框架对本地分类器的误差具有鲁棒性，在攻击边数量超过先前方法假设的情况下仍能保持高性能。
• SybilFuse 对涉及社交活跃度变化的时序攻击具有鲁棒性，因为它不依赖于固定的可信种子进行传播，与早期方法不同。