افزایش دقت تشخیص حملات سیبیل در شبکه های اجتماعی با استفاده از روش خوشه بندی ترکیبی بر روی گراف ساختاری

حملات سیبیل به طور فزاینده ای در شبکه های اجتماعی در حال رشد و گسترش است. یک کاربر مخرب با هویت جعلی که از آن تحت عنوان حمله سیبیل یاد می شود، می تواند تعداد زیادی حساب جعلی برای تولید هرزنامه، جعل هویت سایر کاربران، کلاهبرداری و دسترسی به بسیاری از اطلاعات کاربران قانونی ایجاد کند. به دلایل امنیتی، چنین حساب های جعلی باید شناسایی و غیرفعال شوند. روش های شناسایی مختلفی برای مقابله با حساب های جعلی پیشنهاد شده است. با این حال، بیشتر این روش ها حساب های جعلی را یا با استفاده از گراف های ساختاری اجتماعی شناسایی می کنند که منجر به عملکرد ضعیف می شود و یا از روش های یادگیری ماشین استفاده می شود که دقت پایینی برای شناسایی حملات سیبیل دارند. در این مقاله، یک روش به نام خوشه بندی ترکیبی پیشنهاد شده است که CNRM نامیده شده است. روش پیشنهادی مبتنی بر خوشه بندی می باشد، بدین صورت که با ترکیب روش های مختلف تشخیص اجتماعات؛ یک روش تشخیص اجتماع جدید ارایه شده است. ترکیب این روش ها منجر به دقت بالاتر، نتایج مطمین تر و پایداری بیشتری شده است. روش CNRM بر روی مجموعه داده های جمع آوری شده از توییتر، ردیت، اینستاگرام و فیسبوک ارزیابی شده است. برخلاف سایر رویکردهای مبتنی بر یادگیری ماشین، روش پیشنهادی بر روی سطوح مختلفی از ویژگی های پروفایل کاربران تمرکز می کند. نتایج ارزیابی نشان داده است که روش CNRM گره های سیبیل را با دقت %85.13 تشخیص می دهد.