تشخیص کاربران جعلی در شبکه‌های اجتماعی با استفاده از تحلیل مولفه‌های اصلی و الگوریتم تخمین چگالی هسته(مطالعه موردی: روی شبکه اجتماعی توئیتر)

استفاده از شبکه‌های اجتماعی به شکل فزاینده‌ای در حال رشد است و افراد زمان زیادی از وقت خود را صرف استقاده از این شبکه‌ها می‌کنند. افراد مشهور و شرکت‌ها از این شبکه‌ها برای ارتباط با طرفداران و مشتریان خود استفاده کرده و آژانس‌های خبری برای توزیع خبر از این شبکه‌ها استفادهمی‌کنند. در راستای ترقی محبوبیت و رواج شبکه‌های اجتماعی بر خط، خطرات و تهدیدات امنیتی نیز درحال افزایش است و انجام فعالیت‌های مخرب و حملاتی از قبیل فیشینگ، ایجاد کاربرانجعلی و اسپم‌ها در این شبکه‌هاافزایش چشمگیری داشته است. در حمله ایجاد کاربر جعلی، کاربران مخرب با ایجاد کاربر جعلی خود را به جای افراد معرفی می‌کنند و از این طریق از شهرت افراد یا شرکت‌ها سوء استفاده می‌کنند.در این مقاله یک روش جدید برای کشف کاربران جعلی در شبکه‌های اجتماعی بر پایه الگوریتم‌های یادگیری ماشین ارائه می‌شود. در روش پیشنهادی برای آموزش ماشین از ویژگی‌های شباهت مختلفی مانند شباهت کسینوس، شباهت جاکارد، شباهت شبکه دوستی و معیارهای مرکزیت استفاده می‌شود که همهاین ویژگی‌ها از ماتریس مجاورت گراف شبکه اجتماعی استخراج می‌شوند. در ادامه جهت کاهش ابعاد داده‌ها و حل مشکل بیش برازش از تحلیل مولفه‌های اصلی استفاده شد. سپس با استفاده از دسته‌بندهایتخمین چگالی هسته و الگوریتم شبکه عصبی خود سازمان‌ده داده‌ها دسته‌بندی شده و نتایج روش پیشنهادی با استفاده از معیارهای دقت، حساسیت ونرخ تشخیص اشتباه ارزیابی می‌شود. بررسی نتایج نشان می‌دهد، روش پیشنهادی با دقت99.6% کاربرانجعلی را تشخیص می‌دهد که نسبت به روش کاوو حدود 5% بهبود یافته است، همچنین نرخ تشخیص اشتباه کاربرانجعلی نیز نسبت به همین روش 3% بهبود پیدا کرد.

Detecting Fake Accounts in Social Networks Using Principal ComponentsAnalysis and KernelDensity Estimation Algorithm (A Case Study on the Twitter Social Network)

The use of social networks is growing increasingly and people spend a lot of their time using thesenetworks. Celebrities and companies have used these networks to connect with their fans and customers andnews agencies use these networks to publish news. In line with the growing popularity of online socialnetworks, security risks and threats are also increasing, and malicious activities and attacks such asphishing, creating fake accounts and spam on these networks have increased significantly. In a fake accountattack, malicious users introduce themselves instead of other people by creating a fake account and in thisway, they abuse the reputation of individuals or companies. This paper presents a new method for detectingfake accounts in social networks based on machine learning algorithms. The proposed method for machinetraining uses Various similarity features such as Cosine similarity, Jaccard similarity, friendship networksimilarity, and centrality measures. All these features are extracted from the graph adjacency matrix of thesocial network. Then, principal component analysis was used in order to reduce the data dimensions andsolve the problem of overfitting. The data are then classified using the Kernel Density Estimationclassification and the Self Organization map and the results of the proposed method are evaluated using themeasure of accuracy, sensitivity, and falsepositive rate. Examination of the results shows that the proposedmethod detects fake accounts with 99.6% accuracy which is about 5% better than Cao’s method. The rate ofmisdiagnosis of fake accounts also improved by 3% compared to the same method.