Метрики вредоносных социальных ботов

Обложка
  • Авторы: Коломеец М.В.1, Чечулин А.А.1,2
  • Учреждения:
    1. Санкт-Петербургский Федеральный исследовательский центр Российской академии наук
    2. Санкт-Петербургский государственный университет телекоммуникаций им. проф. М.А. Бонч-Бруевича
  • Выпуск: Том 9, № 1 (2023)
  • Страницы: 94-104
  • Раздел: Статьи
  • URL: https://journals.rcsi.science/1813-324X/article/view/254359
  • ID: 254359

Цитировать

Полный текст

Аннотация

В работе представлена параметризация вредоносных ботов с помощью метрик, которые могут быть основой для построения моделей распознавания параметров ботов и качественного анализа характеристик атак в социальных сетях. Предложен ряд метрик для описания характеристик ботов социальной сети ВКонтакте, а именно: доверие, выживаемость, цена, тип продавца, скорость и экспертное качество. Для извлечения данных метрик разработан подход, который основан на методиках контрольной закупки и теста Тьюринга. Основное преимущество данного подхода состоит в том, что он предлагает извлекать признаки из данных, полученных экспериментальным способом, и тем самым получить более обоснованную оценку в сравнении с экспертным подходом. Также работа содержит описание эксперимента по извлечению метрик вредоносных ботов социальной сети ВКонтакте с использованием предложенного подхода, и результаты анализа зависимости метрик. Эксперимент подтверждает возможность извлечения и анализа метрик. В целом, предложенные метрики и подход к их извлечению могут стать основой для перехода от бинарного обнаружения атаки в социальных сетях к качественному описанию атакующего и его возможностей, а также анализу эволюции ботов.

Об авторах

М. В. Коломеец

Санкт-Петербургский Федеральный исследовательский центр Российской академии наук

Email: kolomeec@comsec.spb.ru
ORCID iD: 0000-0002-7873-2733

А. А. Чечулин

Санкт-Петербургский Федеральный исследовательский центр Российской академии наук; Санкт-Петербургский государственный университет телекоммуникаций им. проф. М.А. Бонч-Бруевича

Email: chechulin.aa@sut.ru
ORCID iD: 0000-0001-7056-6972

Список литературы

  1. Cresci S. A decade of social bot detection // Communications of the ACM. 2020. Vol. 63. Iss. 10. PP. 72–83. doi: 10.1145/3409116
  2. Ferrara E., Varol O., Davis C., Menczer F., Flammini A. The rise of social bots // Communications of the ACM. 2016. Vol. 59. Iss. 7. PP. 96–104. doi: 10.1145/2818717
  3. Yang C., Harkreader R., Gu, G. Empirical Evaluation and New Design for Fighting Evolving Twitter Spammers // IEEE Transactions on Information Forensics and Security. 2013. Vol. 8. Iss. 8. PP. 1280–1293. doi: 10.1109/TIFS.2013.2267732
  4. Vitkova L. Kolomeec M., Chechulin A. Taxonomy and Bot Threats in Social Networks // Proceedings of the International Russian Automation Conference (RusAutoCon, Sochi, Russia, 04‒10 September 2022). IEEE, 2022. PP. 814‒819. doi: 10.1109/RusAutoCon54946.2022.9896268
  5. Orabi M., Mouheb D., Al Aghbari Z., Kamel I. Detection of Bots in Social Media: A Systematic Review // Information Processing & Management. 2020. Vol 57. Iss. 4. P. 102250. doi: 10.1016/j.ipm.2020.102250
  6. Varol O., Ferrara E., Davis C., Menczer F., Flammini A. Online Human-Bot Interactions: Detection, Estimation, and Characterization // Proceedings of the 11th International AAAI Conference on Web and Social Media. 2017. Vol. 11. Iss. 1. PP. 280‒289. doi: 10.1609/icwsm.v11i1.14871
  7. Stieglitz S., Brachten F., Berthel ́e D., Schlaus M., Venetopoulou C., Veutgen D. Do Social Bots (Still) Act Different to Humans? – Comparing Metrics of Social Bots with those of Humans // Proceedings of the 9th International Conference on Social Computing and Social Media. Human Behavior (SCSM 2017, Vancouver, Canada, 9‒14 July 2017). Lecture Notes in Computer Science. Vol. 10282. Cham: Springer, 2017. PP. 379–395. doi: 10.1007/978-3-319-58559-8_30
  8. Kolomeets M., Chechulin A. Analysis of the Malicious Bots Market // Proceedings of the 29th Conference of Open Innovations Association (FRUCT, Tampere, Finland, 12‒14 May 2021). IEEE, 2021. PP. 199–205. doi: 10.23919/FRUCT52173.2021.9435421
  9. Perdana R.S., Muliawati T.H., Alexandro R. Bot spammer detection in twitter using tweet similarity and time interval entropy // Jurnal Ilmu Komputer dan Informasi. 2015. Vol. 8. Iss. 1. PP. 19–25. doi: 10.21609/jiki.v8i1.280
  10. The Black Market for Social Media Manipulation. Riga: NATO StratCom COE, 2018.
  11. Chavoshi N., Hamooni H., Mueen A. DeBot: Twitter Bot Detection via Warped Correlation // Proceedings of the 16th International Conference on Data Mining (ICDM, Barcelona, Spain, 12‒15 December 2016). IEEE, 2016. PP. 817–822. doi: 10.1109/ICDM.2016.0096
  12. Dorri A., Abadi M., Dadfarnia M. SocialBotHunter: Botnet Detection in Twitter-Like Social Networking Services Using Semi-Supervised Collective Classification // Proceedings of the 16th International Conference on Dependable, Autonomic and Secure Computing, 16th International Conference on Pervasive Intelligence and Computing, 4th International Conference on Big Data Intelligence and Computing and Cyber Science and Technology Congress (DASC/PiCom/DataCom/CyberSciTech, Athens, Greece, 12‒15 August 2018). IEEE, 2018. PP. 496–503. doi: 10.1109/DASC/PiCom/DataCom/CyberSciTec.2018.00097
  13. Vitkova L., Kotenko I., Kolomeets M., Tushkanova O., Chechulin A. Hybrid Approach for Bots Detection in Social Networks Based on Topological, Textual and Statistical Features // Proceedings of the Fourth International Scientific Conference Intelligent Information Technologies for Industry (IITI’19, Ostrava – Prague, Czech Republic, 2–7 December 2019). Advances in Intelligent Systems and Computing. Vol. 1156. Cham: Springer, 2020. PP. 412‒421. doi: 10.1007/978-3-030-50097-9_42
  14. García-Orosa B., Gamallo P., Martín-Rodilla P., Martínez-Castaño R. Hybrid Intelligence Strategies for Identifying, Classifying and Analyzing Political Bots // Social Sciences. 2021. Vol. 10. Iss. 10. P. 357. doi: 10.3390/socsci10100357
  15. Yang K.C., Hui P.M., Menczer F. Bot Electioneering Volume: Visualizing Social Bot Activity During Elections // Companion Proceedings of The 2019 World Wide Web Conference (WWW '19, San Francisco, USA, 13‒17 May 2019). New York: Association for Computing Machinery, 2019. PP. 214–217. doi: 10.1145/3308560.3316499
  16. Adrian R., Kaiser J. The False positive problem of automatic bot detection in social science research // PLoS ONE. 2020. Vol. 15. Iss. 10. P. e0241045. doi: 10.1371/journal.pone.0241045
  17. Boneh D., Grotto A.J., McDaniel P., Papernot N. How Relevant is the Turing Test in the Age of Sophisbots? // IEEE Security & Privacy. 2019. Vol. 17. Iss. 6. PP. 64‒71. doi: 10.1109/MSEC.2019.2934193
  18. Aiello L.M., Barrat A., Schifanella R., Cattuto C., Markines B., Menczer F. Friendship prediction and homophily in social media // ACM Transactions on the Web. 2012. Vol. 6. Iss. 2. PP. 1‒33. doi: 10.1145/2180861.2180866
  19. Kolomeets M. Security Datasets – MKVK2021. URL: https://github.com/guardeec/datasets#mkvk2021 (дата обращения 28.02.2023)
  20. Branitskiy A., Levshun D., Krasilnikova N., Doynikova E., Kotenko I., Tishkov A., Vanchakova N., Chechulin A. Determination of Young Generation’s Sensitivity to the Destructive Stimuli based on the Information in Social Networks // Journal of Internet Services and Information Security. 2019. Vol. 9. Iss. 3. PP. 1‒20.
  21. Проноза А.А., Виткова Л.А., Чечулин А.А., Котенко И.В., Сахаров Д.В. Методика выявления каналов распространения информации в социальных сетях // Вестник Санкт-Петербургского университета. Прикладная математика. Информатика. Процессы управления. 2018. Т.14. № 4. С. 362‒377. doi: 10.21638/11702/spbu10.2018.409.


Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution 4.0 International License.

Данный сайт использует cookie-файлы

Продолжая использовать наш сайт, вы даете согласие на обработку файлов cookie, которые обеспечивают правильную работу сайта.

О куки-файлах