Algorithme ML révolutionnaire détecte les faux profils sur les réseaux sociaux

Nouvelle méthode basée ML pour identifier faux utilisateurs sur plateformes sociales.

Algorithme basé sur hypothèse : faux utilisateurs créent liens inappropriés vers autres utilisateurs.

Résultats : algorithme détecte à la fois utilisateurs authentiques et malveillants.

Contexte : priorité détection faux comptes

Identifier faux utilisateurs = priorité #1 pour réseaux sociaux, surtout après usage ciblé par Russie pour influencer élections US, et échecs protection vie privée.

Chercheurs Univ. Washington et Univ. Negev : nouvel algorithme générique non supervisé pour localiser faux utilisateurs sur Twitter, Facebook.

Basé sur prédiction : faux utilisateurs créent liens inappropriés dans le réseau. Intégration méthode prédiction liens dans modèle détection anomalies sans connaissance graphe préalable.

Fonctionnement de l'algorithme

Topologie graphe utilisée pour construire méthode générique détection sommets anomaux dans grands réseaux complexes. Algorithme a 2 itérations clés basées ML :

1. Créer classifieur prédiction lien pour estimer probabilité lien entre deux utilisateurs.
2. Créer nouvel ensemble méta-caractéristiques, basé sur caractéristiques générées par classifieur prédiction lien.

7 nouvelles caractéristiques proposées comme prédicteurs efficaces d'anomalies. Importance examinée via algorithme sélection attributs gain information Weka.

Référence : SpringerLink | doi:10.1007/s13278-018-0503-4 | BGU

Évaluation expérimentale extensive sur 3 types réseaux complexes : réseaux réels avec sommets anomaux étiquetés, réseaux réels avec sommets anomaux simulés, réseaux pleinement simulés.

10 réseaux différents : Flixster10, Dblp8, Yelp, Academia.edu, ArXiv5, Twitter.

Sommets rouges = anomaux, arêtes rouges = probabilités les plus faibles d'être faux.

Résultats : algorithme détecte vraies personnes et utilisateurs malveillants sur réseaux réels dont Twitter. Surpasse autres techniques détection anomalies. Potentiel nombreuses applications, surtout cybersécurité.

Prochaines étapes

Examiner algorithme pour autres réseaux : graphes pondérés, bipartites. Étudier propriétés réseau quand arêtes/sommets aléatoires joints.

Montrer comment même algorithme détecte comptes piratés sur plateformes sociales. Étudier échelle attaque Sybil pour rendre indifférenciables vrais/faux sommets.

Code et données publiés en ligne, dont jeux de données réels avec faux IDs étiquetés. Framework ouvert pour améliorer futures méthodes détection anomalies sommets et comparer résultats.