Algoritmo Revolucionario de Aprendizaje Automático Detecta Falsas Identidades en Redes Sociales

• Investigadores desarrollan un nuevo método, basado en técnica de aprendizaje automático, para identificar usuarios falsos en plataformas de redes sociales.
• El algoritmo se basa en la suposición de que los usuarios falsos tienden a construir enlaces inapropiados con otros usuarios.
• Los resultados muestran que el algoritmo es capaz de detectar tanto usuarios genuinos como maliciosos.

Identificar usuarios falsos se ha convertido en la primera prioridad para empresas de redes sociales, especialmente después del uso dirigido de sitios sociales por Rusia para influir en las elecciones de EE. UU., y la falla en proteger la privacidad del usuario.

Ahora, investigadores de la Universidad de Washington y Universidad del Negev han construido un nuevo algoritmo genérico de aprendizaje no supervisado para localizar usuarios falsos en plataformas de redes sociales como Twitter y Facebook.

El nuevo algoritmo se basa en la predicción de que los usuarios falsos tienden a crear enlaces inapropiados con otros usuarios en las redes. Los investigadores han incorporado un método de predicción de enlaces en un modelo de detección de anomalías que no necesita ningún conocimiento previo del grafo.

¿Cómo Funciona el Algoritmo?

La topología del grafo se ha utilizado para construir un método genérico novedoso para detectar vértices anómalos en redes grandes y complejas. El algoritmo tiene 2 iteraciones clave basadas en técnicas de aprendizaje automático.

1. Crear un clasificador de predicción de enlaces para estimar la probabilidad de enlace entre dos usuarios.
2. Crear un nuevo conjunto de meta-características, basado en las características generadas por el clasificador de predicción de enlaces.



Los investigadores han propuesto 7 nuevas características que se supone son predictores efectivos para detectar anomalías. Para determinar cuál de las nuevas características tiene más influencia, examinaron su importancia usando el algoritmo de selección de atributos por ganancia de información de Weka.

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

Luego realizaron una evaluación experimental exhaustiva en 3 tipos de redes complejas – redes del mundo real con vértices anómalos etiquetados, red del mundo real con vértices anómalos simulados y redes totalmente simuladas.

Hablando de conjuntos de datos, usaron 10 redes diferentes, incluyendo Flixster10, Dblp8, Yelp, Academia.edu, ArXiv5 y Twitter.

Vértices rojos muestran vértices anómalos, y bordes rojos tienen las probabilidades más bajas de ser falsos

Los resultados muestran que el algoritmo es capaz de detectar tanto personas genuinas como usuarios maliciosos en redes reales, incluyendo Twitter. Superó a otras técnicas de detección de anomalías, y según los desarrolladores, tiene potencial para numerosas aplicaciones, especialmente en el campo de la ciberseguridad.

¿Qué Sigue?

Los desarrolladores planean examinar el algoritmo para otros tipos de redes, como grafos ponderados y bipartitos. También estudiarán qué sucede con las propiedades de la red cuando bordes y vértices aleatorios se unen.

Mostrarán además cómo el mismo algoritmo puede usarse para detectar cuentas secuestradas en plataformas sociales. Además, podría ser interesante ver qué escala de un ataque Sybil requeriría implementarse para que ya no sea posible diferenciar entre vértices reales y falsos.

Leer: 22 Herramientas Gratuitas de Análisis de Redes Sociales

Por ahora, los investigadores han publicado todo el código y datos en línea, incluyendo los conjuntos de datos del mundo real que contienen IDs falsos etiquetados. Cualquiera puede usarlo como marco abierto, mejorar futuros métodos de detección de anomalías de vértices, y comparar sus resultados.