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)

$v\in V$v∈V，用 $S_v$Sv​ 表示一个节点的信任评分；

$(u,v)\in E$(u,v)∈E，用 $S_{(u,v)}$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$S_v$Sv​ ？

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)​ ？

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) 表示节点 $v$v 在经过 $i$i 次迭后到达另外一节点，当前这一节点的信任评分。

初始，$S^{(0)}(v)=S_v$S(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。

$S^{(i)}(v)=\sum_{(u, v) \in E} S^{(i-1)}(u) \frac{S_{u, v}}{\sum_{(u, w) \in E} S_{u, w}}$S(i)(v)=(u,v)∈E∑​S(i−1)(u)∑(u,w)∈E​Su,w​Su,v​​
你将把更多的第i轮信任分配给结构上更相近的节点 $v$v(即你的朋友)。而不是一个陌生的连接 $w$w。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 $d = O(log n)$d=O(logn) 次幂迭代步骤(其中n为节点数)，得到最终得分
$S_v^F=S^{(d)}(v)$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 $v$v，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。
$L_v=sign(S_v^F-threshold)$Lv​=sign(SvF​−threshold)
$L_v=1$Lv​=1 是正常节点的标签，$L_v=-1$Lv​=−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。