如何使用fBox算法检测隐蔽性强的欺诈用户
发布时间：2022-05-20 09:11:02 所属栏目：安全 来源：互联网
导读：随着互联网的蓬勃发展和互联网用户的不断增长，各种互联网网站面临着各种各样的技术挑战。出于不同的非法动机，许多用户选择采用欺诈行为谋取经济利益。各种常见的互联网欺诈行为包括短时间内大量点击页面的行为(Lockstep)等。 为了应对互联网行业内泛滥的欺
|
随着互联网的蓬勃发展和互联网用户的不断增长，各种互联网网站面临着各种各样的技术挑战。出于不同的非法动机，许多用户选择采用欺诈行为谋取经济利益。各种常见的互联网欺诈行为包括短时间内大量点击页面的行为(Lockstep)等。 为了应对互联网行业内泛滥的欺诈行为，各大高校和互联网公司纷纷推出了自己设计的算法。Facebook 推出了著名的 CopyCatch 和 SynchroTrap 算法。知名学府卡耐基梅隆大学也发表了一系列反欺诈算法的论文。我们下面分享的论文来自卡耐基梅隆大学，论文名称是 Spotting Suspicious Link Behavior with fBox : An Adversarial Perspective。 作者采取了对抗式的算法来检测欺诈行为，首先考察了什么样的欺诈行为可以躲过流行的谱分析算法。谱分析算法通常会对图的邻接矩阵做 SVD 分解并且利用前 K 大特征值设计算法。设第 K 大特征值为，通常特征值小于 k 的欺诈行为都能躲过谱分析算法。  具体的，假定有c 个用户，每个人从具有 f 个欺诈账户的欺诈网络购买了 s 个欺诈行为， 攻击者能够控制的行为是邻接矩阵的一个 f * c 子矩阵。可以证明如果对这个 f * c 进行 SVD 分解得到的最大的特征值小于，则攻击者可以躲过谱算法的检测。 因为隐蔽的攻击不会反映在前 K 大的特征向量中，因此作者利用来重构邻接矩阵节点的出度。隐蔽的攻击基本不会贡献值给重构的节点的出度，因此较小的重构值通常意味着隐蔽的攻击。用这种方法可以计算出欺诈用户的集合。类似的，可以通过重构邻接矩阵的入度的方式检测隐蔽攻击的物品集合。 fBox 和 SpokeEigen 等谱算法是互补的关系。fBox 通常能够捕捉较隐蔽的和规模较小的欺诈行为，而 SpokeEigen 等算法捕捉的通常都是较为明显直观的欺诈行为。从 fBox 等算法可以看出 SVD 分解在欺诈检验领域的重要性。在人工智能发展汹涌澎湃的今天，掌握基础的线性代数等知识也是非常重要的。 （编辑：江门站长网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
站长推荐