SybilFuse:Combining Local Attributes with Global Structure to Perform Robust Sybil Detect(论文笔记)
SybilFuse:Combining Local Attributes withGlobal Structure to Perform Robust Sybil Detection
1. 输入数据
2. 训练局部分类器
利用有区别的局部属性(结构或内容)来训练局部分类器。
2.1 局部节点分类器(Local node classifier )
局部节点分类器预测每个节点的信任分数(Trust Score),该分数表示该节点为正常节点的概率,这个值越大,表明该节点越是正常。
2.2 局部边分类器(Local edge classifier )
通常认为,尽管攻击者可以任意控制恶意账户之间的连接,但是攻击者很难操作正常用户和恶意账户之间的连接,因为这需要正常用户的操作。因此,正常用户与恶意账户之间存在structural gap,我们称连接二者的边为attack edges。
局部边分类器预测每条边的信任分数,该分数表示该边是非攻击边(non-attack edge)的概率,这个值越大表明这条边越是正常,即我们认为这条边的权重越大。
2.3 传播信任评分
得到每个节点的信任评分,我们通过global structure传播节点的信任评分,传播过程中经历哪条边,根据边上的权重而定,这个权重即是每条边的信任得分。
信任分数以何种方式传播呢? 可以是带权重的随机游走(Weighted random walk),也可以是带权重的置信传播(Weighted loopy belief propagation)。
3. 局部信任分数的计算
已知一个social graph G=(V,E)G=(V,E)G=(V,E)
v∈Vv\in Vv∈V,用 SvS_vSv 表示一个节点的信任评分;
(u,v)∈E(u,v)\in E(u,v)∈E,用 S(u,v)S_{(u,v)}S(u,v) 表示两个节点拥有相同标签的概率;(两个节点类型相同,成为这两个节点具有同质性,homophily strength)。
怎样计算SvS_vSv ?
利用节点的局部属性,例如,度、局部聚类系数、用户信息等,训练机器学习分类器(例如,SVM、logistic回归等)输出概率值。
怎样计算S(u,v)S_{(u,v)}S(u,v) ?
同样地,为了衡量节点u和节点v的相似度,构建一个边分类器,有不同的similarity function可供选择,例如,Cosine, Jaccard, AdamicAdar。
4. 信任分数的传播
4.1 带权重的随机游走(Weighted random walk)
S(i)(v)S^{(i)}(v)S(i)(v) 表示节点 vvv 在经过 iii 次迭后到达另外一节点,当前这一节点的信任评分。
初始,S(0)(v)=SvS^{(0)}(v)=S_vS(0)(v)=Sv
对于训练集中的节点,正常节点我们给它 0.9 的评分,恶意节点我们给它 0.1 的评分。
S(i)(v)=∑(u,v)∈ES(i−1)(u)Su,v∑(u,w)∈ESu,wS^{(i)}(v)=\sum_{(u, v) \in E} S^{(i-1)}(u) \frac{S_{u, v}}{\sum_{(u, w) \in E} S_{u, w}} S(i)(v)=(u,v)∈E∑S(i−1)(u)∑(u,w)∈ESu,wSu,v
你将把更多的第i轮信任分配给结构上更相近的节点 vvv(即你的朋友)。而不是一个陌生的连接 www。这样一来,信任分数低的攻击边对传播的影响就会降低。
经过 d=O(logn)d = O(log n)d=O(logn) 次幂迭代步骤(其中n为节点数),得到最终得分
SvF=S(d)(v)S_v^F=S^{(d)}(v)SvF=S(d)(v)
4.2 带权重的置信传播(Weighted loopy belief propagation)
5. 恶意账户预测和排序
5.1 节点的标签预测
对于节点 vvv,我们通过比较其最终得分S_v^F与阈值,预测它的标签,是正常的还是恶意的。
Lv=sign(SvF−threshold)L_v=sign(S_v^F-threshold)Lv=sign(SvF−threshold)
Lv=1L_v=1Lv=1 是正常节点的标签,Lv=−1L_v=-1Lv=−1是恶意节点的标签。
对训练数据进行交叉验证,可以得到阈值。
5.2 节点排名
我们还可以通过对所有节点按其最终得分的升序排列来显示Sybil帐户,分数低的将被排在前面,然后,安全分析师可以查看列表并手动清理Sybil帐户。
SybilFuse:Combining Local Attributes with Global Structure to Perform Robust Sybil Detect(论文笔记)相关推荐
- QANet: Combining Local Convolution With Global Self-Attention For Reading Comprehension
文章目录 1.概述 2.模型结构 2.1.Input embedding layer 2.2 Embedding Encoder Layer 2.3.Context-Query Attention L ...
- 《CoCoNuT: Combining Context-Aware Neural Translation Models using Ensemble for Program Repair》论文笔记
CoCoNuT:使用集成方法结合上下文感知神经翻译模型进行程序修复 论文思维导图 1. 摘要 自动生成和验证 (G&V) 程序修复技术 (APR) 通常依赖于硬编码规则,因此只能修复遵循特 ...
- 【读点论文】Conformer: Local Features Coupling Global Representations for Visual Recognition卷积提取局部,SA获取全局
Conformer: Local Features Coupling Global Representations for Visual Recognition Abstract 在卷积神经网络(CN ...
- 论文解读《Global Structure and Local Semantics-Preserved Embeddings for Entity Alignment》
论文解读<Global Structure and Local Semantics-Preserved Embeddings for Entity Alignment> 论文题目:Glob ...
- ICCV2017——CoupleNet: Coupling Global Structure with Local Parts for Object Detection
CoupleNet: Coupling Global Structure with Local Parts for Object Detection 学习CoupleNet,这个网络结构就是使用全局上 ...
- 全球首发!计算机视觉Polygon Mesh Processing总结8——Remeshing Global Structure和Correspondences
Global Structure 如果三角形网格中的顶点的价(即,其相邻顶点的数量)对于内部顶点为6,对于边界顶点为4,则称为(规则的)regular. 在四边形网格中,regular vale ...
- 【论文笔记】An End-to-End Model for QA over KBs with Cross-Attention Combining Global Knowledge
一.概要 该文章发于ACL 2017,在Knowledge base-based question answering (KB-QA)上,作者针对于前人工作中存在没有充分考虑候选答案的相关信息来训 ...
- 【论文笔记】Crop phenotyping in a context of Global Change: what to measure and how to do it
[论文笔记]Crop phenotyping in a context of Global Change: what to measure and how to do it 全球变化背景下的作物表型: ...
- 论文笔记: Local climate zone mapping as remote sensing scene classifcation using deep learning: A case s
论文笔记1: Local climate zone mapping as remote sensing scene classifcation using deep learning: A case ...
最新文章
- 产品路线图的三种模型(RICE/MoSCoW/Kano),教你如何对需求进行优先级排序
- php+如何按文字分割文件夹,PHP实现的大文件切割与合并功能示例
- 【C++学习之路】第一章——C++核心方法总论
- GDAL/OGR 1.9.0获取shp文件中中文字段值和属性值乱码文件解决
- Netty工作笔记0005---NIO介绍说明
- 蓝桥杯 传球游戏 动态规划
- 如何修改firefox的默认缩放比
- 作为程序猿必须了解的生产者与消费者
- Altium Designer元件库常见获取方法
- ubuntu桌面模式下,鼠标右键没有新建文档,的解决方法
- php导出生成word,php导出生成word的方法
- 梦想就是一种让你感到坚持就是幸福的东西
- 纯CSS实现点击图片触发select下拉框使之展开
- 苏世民:顶尖领导者的52条法则
- 【JAVA】java递归测试考拉兹猜想/冰雹猜想
- Java通过mongo-java-driver-3.0+查询mongodb数据库
- C++并发实战:面试题2:一道迅雷笔试题
- 「可视化搭建系统」——从设计到架构,探索前端领域技术和业务价值
- SpringSecurity: 不能混用authorizeRequests和6.0里的authorizeHttpReuests
- 机械键盘上的ASF是什么意思?
热门文章
- nagios的nsca被动模式及自动添加nsca服务
- Gradient Descent and NSCA
- PTA 练习实验6 十道练习题
- 哈尔滨工业大学考研试题泄密了?官方通报:不存在
- PBR之基于图像的光照IBL (Diffuse)
- opencv:图像轮廓检测-细胞轮廓
- 【九】【vlc-android】vlc-aout音频流输出端源码分析
- 计算机传真机电话,为什么计算机能发传真?语音信箱真是把语音投入到信箱里吗?...
- 微信小程序中使用腾讯地图,导航到目的地
- Go语言处理Windows系统的图标ICO文件(上)