افزايش دقت تشخيص حملات سيبيل در شبكه‌هاي اجتماعي با استفاده از روش خوشه ‌بندي تركيبي بر روي گراف ساختاري

حملات سيبيل به طور فزاينده‌اي در شبكه‌هاي اجتماعي در حال رشد و گسترش است. يك كاربر مخرب با هويت جعلي كه از آن تحت عنوان حمله سيبيل ياد مي‌شود، مي‌تواند تعداد زيادي حساب جعلي براي توليد هرزنامه، جعل هويت ساير كاربران، كلاهبرداري و دسترسي به بسياري از اطلاعات كاربران قانوني ايجاد كند. به دلايل امنيتي، چنين حساب‌هاي جعلي بايد شناسايي و غيرفعال شوند. روش‌هاي شناسايي مختلفي براي مقابله با حساب هاي جعلي پيشنهاد شده است. با اين حال، بيشتر اين روش‌ها حساب‌هاي جعلي را يا با استفاده از گراف‌هاي ساختاري اجتماعي شناسايي مي‌كنند كه منجر به عملكرد ضعيف مي‌شود و يا از روش هاي يادگيري ماشين استفاده مي‌شود كه دقت پاييني براي شناسايي حملات سيبيل دارند. در اين مقاله، يك روش به‌نام خوشه‌بندي تركيبي پيشنهاد شده است كه CNRM ناميده شده است. روش پيشنهادي مبتني بر خوشه‌بندي مي‌باشد، بدين صورت كه با تركيب روش‌هاي مختلف تشخيص اجتماعات؛ يك روش تشخيص اجتماع جديد ارائه شده است. تركيب اين روش‌ها منجر به دقت بالاتر، نتايج مطمئن‌تر و پايداري بيشتري شده است. روش CNRM بر روي مجموعه داده‌هاي جمع آوري شده از توييتر، رديت، اينستاگرام و فيسبوك ارزيابي شده است. برخلاف ساير رويكردهاي مبتني بر يادگيري ماشين، روش پيشنهادي بر روي سطوح مختلفي از ويژگي‌هاي پروفايل كاربران تمركز مي‌كند. نتايج ارزيابي نشان داده است كه روش CNRM گره‌هاي سيبيل را با دقت %85.13 تشخيص مي‌دهد.