Dr. Michael Fire. Foto Ben Gurion Universiteit
Kwaadaardige of fictieve gebruikers op internetnetwerken zijn de vloek van het internet geworden. Hoewel velen hun toenemende frequentie betreuren, hebben maar weinigen methoden ontwikkeld om ze op te sporen en bloot te leggen. Een onderzoeker van de Ben-Gurion Universiteit van de Negev heeft een nieuwe methode ontwikkeld om groepen afwijkende gebruikers op te sporen.
Hun bevindingen zijn zojuist gepubliceerd in het collegiaal getoetste tijdschrift Neural Processing Letters.
"Het voordeel van deze studie is dat we afwijkende gebruikersgroepen (zoals groepen nepprofielen) kunnen detecteren in plaats van afzonderlijke gebruikers. Het blootleggen van groepen nepprofielen is een uitdagende en minder onderzochte taak", zegt Dr. Michael Fire, hoofd van het Data4Good Lab en lid van de afdeling Software and Information Systems Engineering.
Een afwijkende gebruikersgemeenschap kan er een zijn die gewelddadig gedrag of extremisme promoot, een die nepnieuws verspreidt, maar het kan mogelijk ook helpen bij het opsporen van hotspots tijdens pandemieën, schreven de onderzoekers.
Een van de voordelen van hun methode, die ze Co-Membership-based Generic Anomalous Communities Detection Algorithm (CMMAC) noemden, is dat deze niet beperkt is tot een enkel type netwerk.
"Onze methode is generiek. Daarom kan het potentieel werken op verschillende soorten sociale mediaplatforms. We hebben het getest op verschillende soorten netwerken, zoals Reddit en Wikipedia (wat ook een soort sociaal netwerk is)", legt Dr. Vuur.
Nadat ze hun methode hadden getest op willekeurig gegenereerde netwerken en real-world netwerken, ontdekten ze dat deze beter presteerde dan veel andere methoden in een reeks omgevingen.
Hun methode is beter dan andere methoden die al beschikbaar zijn, omdat "Onze methode uitsluitend is gebaseerd op structurele eigenschappen van het netwerk. Dat maakt onze methode onafhankelijk van de attributen van hoekpunten (de verbindingen tussen gebruikers online). Het is dus agnostisch voor het domein. Bij het vergelijken ons algoritme met andere algoritmen presteerde het in veel gevallen beter op simulatie en gegevens uit de echte wereld. Het detecteerde met succes groepen afwijkende gebruikersgemeenschappen die merkwaardige online activiteiten vertoonden", zegt Dr. Fire.
Aanvullende onderzoekers zijn onder meer Shay Lapid, een MA-student, en Dima Kagan, een PhD-student, in het laboratorium van Dr. Fire.
