[논문]그래프 속성을 이용한 온라인 소셜 네트워크 스팸 탐지 동향 분석

정시현; 오하영

doi:10.6109/jkiice.2020.24.5.567

그래프 속성을 이용한 온라인 소셜 네트워크 스팸 탐지 동향 분석
Exploratory study on the Spam Detection of the Online Social Network based on Graph Properties 원문보기

한국정보통신학회논문지 = Journal of the Korea Institute of Information and Communication Engineering, v.24 no.5, 2020년, pp.567 - 575

정시현 (Department of Computer and Engineering, Seoul University) , 오하영 (Global Convergence, Sungkyunkwan University)

초록
AI-Helper

온라인 소셜 네트워크가 현대인의 정보 공유 및 교류의 핵심적인 매체로 사용됨에 따라, 그 이용자는 매해 급격하게 증가하고 있다. 이는 단순히 사용량 증가뿐만 아니라 정보의 신뢰성에서도 기존 언론 매체를 능가하기도 하는데, 최근 등장하는 마케팅 전략들은 이 점을 노리고 교묘하게 소셜 네트워크를 공격하고 있다. 그에 따라 자연스럽게 형성되어야 할 여론이 온라인 공격으로 인해 인위적으로 구성되기도 하고, 이를 신뢰하는 사람들도 많아지게 되었다. 따라서 온라인 소셜 네트워크를 공격하는 주체들을 탐지하고자 하는 연구들이 최근 많이 진행되고 있다. 본 논문에서는 이러한 온라인 소셜 네트워크 공격자들을 탐지하고자 하는 연구들의 동향을 분석하는데, 그 중 소셜 네트워크 그래프 특성을 이용한 연구들에 집중하고 있다. 기존의 contents-based 기법이 사생활 침해 및 공격 전략 변화에 따른 분류 오류를 나타낼 수 있음에 반해, 그래프 기반 방법은 공격자 패턴을 이용하여 보다 강건한 탐지 방법을 제안하고 있다.

Abstract ▼ AI-Helper

As online social networks are used as a critical medium for modern people's information sharing and relationship, their users are increasing rapidly every year. This not only increases usage but also surpasses the existing media in terms of information credibility. Therefore, emerging marketing strategies are deliberately attacking social networks. As a result, public opinion, which should be formed naturally, is artificially formed by online attacks, and many people trust it. Therefore, many studies have been conducted to detect agents attacking online social networks. In this paper, we analyze the trends of researches attempting to detect such online social network attackers, focusing on researches using social network graph characteristics. While the existing content-based techniques may represent classification errors due to privacy infringement and changes in attack strategies, the graph-based method proposes a more robust detection method using attacker patterns.

주제어

표/그림 (6)

그림 Fig. 1 Fraud detection based on Social network graph
그림 Fig. 2 Ego-Network (green, yellow nodes and red edges)[29]
그림 Fig. 3 Campaigns for YouTube spam detection[17]
그림 Fig. 4 13 isomorphic triads for Triad Significance Profile (TSP)[18]
그림 Fig. 5 Sychronized behavior detection of CatchSync[14]
그림 Fig. 6 Like spam detection of facebook with PCA

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

특히, 소셜 네트워크 그래프의 경우 스패머 자신의 의지만으로 변화시키는 것이 아닌 다른 사용자와의 상호작용으로 변화하는 것이기 때문에 현재 스패머 탐지에 가장 유용한 연구 분야라고 할 수 있다. 결과, 다음 장에서 소셜 그래프 기반의 Fraud(혹은 Outher) 탐지 연구를 어떻게 분류하고, 어떤 연구들이 있는지 살펴보도록 하겠다. 또한, 그래프 특성을 이용해 소셜 미디어에 만연한 계정 탈취 공격을 탐지하기 위한 방법 역시 마지막 장에서 제안한다.
또한, 소셜 네트워크 그래프 특성을 일부 이용하는 outher detection model도 등장하였다. 본 논문에서는 계정 탈취 공격을 탐지하기 위한 소셜 네트워크 그래프 속성 기반 방법을 함께 제안하여, 그래프 속성이 향후 온라인소셜 미디어 보안 문제에서 중요한 역할을 할 수 있음을시사한다.
그 사용량급증에 따라 이를 악용하고자 하는 온라인 공격자들의수 역시 날로 증가하고 있다. 본 논문은 이러한 온라인공격자를 탐지하기 위해 이용되는 소셜 네트워크 그래프 기반 방법들의 연구 동향을 파악하고자 하였다. 기존에 많이 사용되는 Contents-based approach와 같은 방법들은 텍스트 정보에 의존하는 경향이 크기 때문에 스팸성이 높게 나타나지 않는 스팸은 탐지하기 어렵다는 문제가 있다.

제안 방법

Catchsync [14] 는 HITS 알고리즘을 이용해 얻은 Authority와 Hub value를 각각 in-degree와 out-degree와의 관계로 mapping 하였다. Twitter에서 높은 out-degree를 가지면서 낮은 hub value를 갖는 노드들이 집중적으로 분포해 있고, 높은 in-degree를 가지면서 다소 낮은 authority value를 갖는 노드들을 synchronized malicious user로 규정하였다 (그림 5). 따라서 일반 사용자의 행동 패턴에 비해 Synchronity가 높게 나타난다면 anomaly로 규정된다.
결과, 다음 장에서 소셜 그래프 기반의 Fraud(혹은 Outher) 탐지 연구를 어떻게 분류하고, 어떤 연구들이 있는지 살펴보도록 하겠다. 또한, 그래프 특성을 이용해 소셜 미디어에 만연한 계정 탈취 공격을 탐지하기 위한 방법 역시 마지막 장에서 제안한다.
사용하였다. 실제 Abuse report 수와 예상되는 Abuse report 수의 차이를 이용해 일반 사용자에 대해 Deviant score를 계산하고, 일반 사용자와 크게 다른 경우 스패머로 규정하였다. [27]은 anomalous subgraph를찾기 위해 inner connectivity와 external separability를동시에 관찰하였다.
먼저 사용하였다. 이는 비교 대상 그래프에서 등장한 각 Subgraph들이 종류별로 얼마나 많이 등장하였는지 측정하고, random graph로 생성된 null model에서의등장 비율과 비교하였다. 실제로, 실험 결과 다른 종류의 네트워크 간에는 Subgraph의 등장 비율이 달랐고, 같은 종류 간에는 등장 비율이 유사하였다.
위한 Collusionrank를 제안하였다. 이는 전통적 Pagerank를 기반으로 한 알고리즘인데, Follow spam 의 스패머가 기존 스패머와 달리 in-degree가 상당히 높게 나타난다는 특징을 이용해서 이에 맞게 최적화하였다. 따라서 Collusionrank는 Twitter에 신고된 Follow spam 공격자의 94%를 탐지하였다.

이론/모형

이 방법은 Matrix factorization을 이용한 스팸 탐지 방법으로, Recommender system에서는 사용자가 특정 아이템에 대해 어느 정도의 선호도를 가지고 있을지 등을 예측하는 모델로 쓰였다. 이러한 Latent factor model 을 이용한 스팸 탐지 방법들[13, 22, 23, 24] 중 CoBaFi[23] 와 CDOuthers[24]는 각각 엣지에 attribute, 노드에 attribute가 있는 그래프를 분석한 스팸 탐지 방법이라는 특징이 있다.

성능/효과

, 그룹별)로 구성된 Subgraph를 의미한다. 결과, 우리가 어떠한 특정 노드가 일반 사용자인지, 혹은 스패머인지 판별하기 위해 Ego-network를 기준으로 분석하게 된다면, 전체 소셜 네트워크를 보는 것보다 비슷한 특성을 공유하는 직접 이웃 사용자들을 참고하여 판단할 수 있다. 분류 특성이 더 강하게 나타날 것이다.

참고문헌 (37)

M. Egele, G. Stringhini, C. Kruegel, and G. Vigna. "COMPA: Detecting Compromised Accounts on Social Networks." NDSS. 2013.
G. Magno, T. Rodrigues, V. Augusto, and F. Almeida. "Detecting spammers on twitter. In Collaboration, Electronic messaging", Anti-Abuse and Spam Conference (CEAS), 2010.
J. M. Romo and L. Araujo. "Detecting malicious tweets in trending topics using a statistical analysis of language". Expert Systems with Applications 40.8, 2013

상세보기
S. Y. Schoenebeck, D. M. Romero, G. Schoenebeck, and D. Boyd. "Detecting spam in a twitter network." First Monday, 15(1), January, 2009.
X. Li, M. Zhang, Y. Liu, S. Ma, Y. Jin, and L. Ru. "Search engine click spam detection based on bipartite graph propagation." Proceedings of the 7th ACM international conference on Web search and data mining. ACM, 2014.
T. Tian, J. Zhu, F. Xia, X. Zhuang, and T. Zhang. "Crowd fraud detection in internet advertising." Proceedings of the 24th International Conference on World Wide Web. International World Wide Web Conferences Steering Committee, 2015.
Q. Cao, X. Yang, J. Yu, and C. Palow. "Uncovering large groups of active malicious accounts in online social networks." Proceedings of the 2014 ACM SIGSAC Conference on Computer and Communications Security. ACM, 2014.
Q. Cao, X. Yang, J. Yu, and C. Palow. "VolTime: Unsupervised Anomaly Detection on Users' Online Activity Volume." Proceedings of the 2017 SIAM International Conference on Data Mining. Society for Industrial and Applied Mathematics, 2017.
L. H. Yu, and D.Y. Yeung. "A learning approach to spam detection based on social networks". Diss. Hong Kong University of Science and Technology, 2007
I. Kayes, N. Kourtellis, D. Quercia, A. Iamnitchi, and F.Bonchi. "The social world of content abusers in community question answering." Proceedings of the 24th International Conference on World Wide Web. International World Wide Web Conferences Steering Committee, 2015.
E. Zhai, Z. Li, Z. Li, F. Wu, and G. Chen. "Resisting tag spam by leveraging implicit user behaviors." Proceedings of the VLDB Endowment 10.3 (2016): 241-252.
H. Zheng, M. Xue, H. Lu, S. Hao, H. Zhu, X. Liang, and K. W. Ross "Smoke screener or straight shooter: Detecting elite sybil attacks in user-review social networks." arXiv preprint arXiv:1709.06916 (2017).
M. Jiang, P. Cui, A. Beutel, C. Faloutsos, and S. Yang "Inferring strange behavior from connectivity pattern in social networks." Advances in Knowledge Discovery and Data Mining. Springer International Publishing, 2014. 126-138.
M. Jiang, P. Cui, A. Beutel, C. Faloutsos, and S. Yang. "CatchSync: catching synchronized behavior in large directed graphs." Proceedings of the 20th ACM SIGKDD international conference on Knowledge discovery and data mining. ACM, 2014.
M. Newman,. Networks. Oxford university press, 2018.
L. Akoglu, M. McGlohon, and C. Faloutsos. "Oddball: Spotting anomalies in weighted graphs." Advances in Knowledge Discovery and Data Mining. Springer Berlin Heidelberg, 2010. 410-421.
D. O'Callaghan, M. Harrigan, J. Carthy, and P. Cunningham." Network Analysis of Recurring YouTube Spam Campaigns." ICWSM. 2012.
S. Jeong, G. Noh, H. Oh, and C. Kim. "Follow spam detection based on cascaded social information." Information Sciences 369 (2016): 481-499.
N. Z. Gong, M. Frank, and P. Mittal. "SybilBelief: A Semi-Supervised Learning Approach for Structure-Based Sybil Detection." Information Forensics and Security, IEEE Transactions on 9.6 (2014): 976-987.

상세보기
S. Ghosh, B. Viswanath, F. Kooti, N. K. Sharma, G. Korlam, F. Benevenuto, N. Ganguly, and K. P. Gummadi. "Understanding and combating link farming in the twitter social network." Proceedings of the 21st international conference on World Wide Web. ACM, 2012.
D. Yuan, G. Li, Q. Li, and Y. Zheng. "Sybil defense in crowdsourcing platforms." Proceedings of the 2017 ACM on Conference on Information and Knowledge Management. ACM, 2017.
N. Shah, A. Beutel, B. Gallagher, and C. Faloutsos. "Spotting suspicious link behavior with fBox: an adversarial perspective." Data Mining (ICDM), 2014 IEEE International Conference on. IEEE, 2014.
A. Beutel, K. Murray, C. Faloutsos, and A. J. Smola. "Cobafi: collaborative bayesian filtering." Proceedings of the 23rd international conference on World wide web. ACM, 2014.
M. Gupta, J. Gao, and J. Han. "Community distribution outlier detection in heterogeneous information networks." Machine Learning and Knowledge Discovery in Databases. Springer Berlin Heidelberg, 2013. 557-573.
B. Viswanath, M. A. Bashir, M. Crovella, S. Guha, K. P. Gummadi, B. Krishnamurthy, and A. Mislove. "Towards detecting anomalous user behavior in online social networks." Proceedings of the 23rd USENIX Security Symposium (USENIX Security). 2014.
I. Kayes, N. Kourtellis, D. Quercia, A. Iamnitchi, and F. Bonchi. "The Social World of Content Abusers in Community Question Answering." Proceedings of the 24th International Conference on World Wide Web. International World Wide Web Conferences Steering Committee, 2015.
B. Perozzi, and L. Akoglu. "Scalable anomaly ranking of attributed neighborhoods." Proceedings of the 2016 SIAM International Conference on Data Mining. Society for Industrial and Applied Mathematics, 2016.
S. Dhawan, S. C. R. Gangireddy, S. Kumar, and T. Chakraborty. 2019. "Spotting collective behaviour of online frauds in customer reviews." In Proceedings of the 28th International Joint Conference on Artificial Intelligence (IJCAI'19), Sarit Kraus (Ed.). AAAI Press 245-251.
S. Jeong, J. Lee, J. Park, and C. Kim. "The Social Relation Key: A new paradigm for security." Information Systems 71 (2017): 68-77.

상세보기
M. McPherson, L. S. Lovin, and J. M. Cook. "Birds of a feather: Homophily in social networks." Annual review of sociology 27.1 (2001): 415-444.

상세보기
R. Milo, S. Itzkovitz, N. Kashtan, R. Levitt, S. S. Orr, I. Ayzenshtat, M. Sheffer, and U. Alon. "Superfamilies of evolved and designed networks." Science 303.5663 (2004): 1538-1542.

상세보기
O. N. Yaveroglu, N. M. Dognin, D. Davis, Z. Levnajic, V. Janjic, R. Karapandza, A. Stojmirovic, and N. Przulj. "Revealing the hidden language of complex networks." Scientific reports 4 (2014).

상세보기
Y. Koren, "Collaborative filtering with temporal dynamics." Proceedings of the 15th ACM SIGKDD international conference on Knowledge discovery and data mining. ACM, 2009.
R. Salakhutdinov, and A. Mnih. "Bayesian probabilistic matrix factorization using Markov chain Monte Carlo." Proceedings of the 25th international conference on Machine learning. ACM, 2008.
L.Page, S. Brin, R. Motwani, and T. Winograd. "The PageRank citation ranking: Bringing order to the web." Stanford InfoLab, 1999.
J. Kleinberg, "Hubs, authorities, and communities." ACM computing surveys (CSUR) 31.4es (1999): 5.

상세보기
Lee Chan-chan, Seo Go-eun, Shin-yong Shin, Dong-gun Kim, & Jae-hee Cho. (2015). "Improved tweet bot detection using geographic space and device information." Journal of the Korea Information and Communication Society, 19(12), 2878-2884.

원문보기 상세보기

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증