Előadást letölteni
Az előadás letöltése folymat van. Kérjük, várjon
1
{ Közösségi spammelés felismerése és eliminálása Kivonat – Pletser József
2
Közösségi mézesmadzagok Profilok statisztikai analízise Közösségi spammerek a Twitteren és a MySpace-en. Mézesmadzag alapú felderítő rendszerek Statisztika a spammerekről Absztrakt
3
Az internethasználók több időt töltenek közösségi oldalakon A cégeknek máshol kell megtalálni a célközönségüket Közösségi média rendszerek függenek a felhasználóktól Spammerek azonosíthatók viselkedésük és profilképük alapján Bevezetés
4
Facebook 500 millió felhasználó 14 millió közösségi oldal különféle témákban Videó, fénykép, és oldalmegosztás Felhasználói kultúra A cikk írásakor a legnépszerűbb oldalnak 500000 rajongója volt
5
Felhasználók 80%-a kapott kéretlen ismerős felkérést Óvatlan felhasználók kiadják az adataikat Nem feltétlenül csak reklámozás céljából spammelnek Felderítésükhöz HIL adatbővítés szükséges Mindig visszajönnek Szomorú tények
6
Emberi interakció nélkül Közösségi oldalak spamprofiljainak a begyűjtésére Statisztikai felhasználói modell fejlesztése Nulla napos spammerek kiszűrése Mézesmadzag alapú felderítés
7
Online közösség modellezése
8
Kép hisztogramja alapján (illetve emberi logika alapján) Szövegek alapján (URL a szövegben, kulcsszavak) Felhasználói profilok alapján (spammer profilok jellemzői – kevés ismerős) Jellemzők kinyerése
9
A közösségi spam felismerési probléma megállapítani egy c osztályozó egységen keresztül, hogy melyik u i a spammer, úgy, hogy p i adott. Egy osztályozó c: u i {spammer, törvényes felhasználó} halmazba képző függvény, megállapítja, hogy u i spammer, vagy sem. C-hez szükség van különböző jellemzőket tartalmazó halmazra. F= {f 1, f 2, …, f m }, mely U elemeire hivatkozik. A probléma meghatározása
10
Megoldás megközelítése
11
A profilok spammelő viselkedése különböző jól elkülöníthető mintákra épülnek. A legnépszerűbb spammelési célpontok a középnyugati állapok, és a legtöbb spam profil Californiában lakik. A spammer profilok 57.2%-a egy másik profilról másolta a „Rólam” részt. Sok spam profil megkülönböztethető demográfiai jellemzőket alakítottak ki (pl. kor, kapcsolat, stb.) MySpace megfigyelések
12
Click traps Friend Infiltrators Pornographic storytellers Japanese Pill pushers Winnies Spammer profilok statisztikái
13
Duplicate spammers Pornographic spammers Promoters Phisers Friend infiltrators Twitter megfigyelések
14
{ A spammerek azonnali kiküszöbölése Research Study 2
15
A kivehető spammelésre utaló jelek a begyűjtött spammer profilokból használhatóak-e arra, hogy automatikusan megkülönböztethessük a spammereket a törvényes felhasználóktól. Ha biztos mintáink vannak (ahogy a megfigyelések az előző fejezetben kimutattak bizonyos mintákat), akkor az osztályozó egység megfigyelhet jeleket, amik alapján megjósolhatunk egy új spamet Probléma megfogalmazása
16
Felhasználói demográfia: kor, nem, lakóhely és egyéb a felhasználót jellemző információk A felhasználó által megosztott információk: például a „Rólam” mező, blog bejegyzések, kommentek. Felhasználói aktivitás jellemzői: Posztolási gyakoriság, csirip gyakoriság Felhasználói kapcsolatok: barátok száma, követők, illetve követett személyek. Osztályozó egység megközelítése és metrikája
17
104 törvényes felhasználó 168 spammer (spammer és hirdető) Minden felhasználó adata Cél: a felhasználó törvényes, spammer, vagy hirdető? Twitter spammerek osztályozása
19
Követők és a követettek átlaga, és a kétirányú barátságok (követettek ∩ követők) / követettek Csiripek és az azokból levonható tanulságok: A linkek számának aránya A különböző linkek száma A @ kifejezések aránya Az egyedi @ kifejezések aránya Támpontok a Twitteren
20
A spammereknek saját taktikáik vannak Azonosításuk nem lehetetlen Profilok alapján beskatulyázhatóak Különböző jellemzők segítenek. Összegzés
Hasonló előadás
