Sybil attacks are the fundamental p

Sybil attacks are the fundamental problem in peer-topeer and other distributed systems. In a Sybil attack, a malicious attacker creates multiple fake identities to influence the working of systems that depend on open membership, such as recommendation and delivery systems. Recently, a number of social network-based schemes, such as SybilGuard, Sybillimit, SybilInfer, and SumUp, have been proposed to mitigate Sybil attacks. Viswanath et al. [19] develop a deep understanding of these approaches. It shows that existing Sybil defense schemes, which can be viewed as graph partitioning algorithms, work by identifying local communities (i.e., clusters of nodes more tightly knit than the rest of the graph) around a trusted node. Therefore, the substantial amount of prior research on general community detection algorithms can be used to design effective and novel Sybil defense schemes.
Usually, binary Sybil/non-Sybil classifiers have high false positives; thus, manual inspection needs to be involved in the decision process for suspending an account. SybilRank [20] aims to efficiently derive a Sybil-likelihood ranking; only the most suspicious accounts need to be inspected manually. It is based on efficiently computable early-terminated RWs and is suitable for parallel implementation on a framework such as Map Reduce, uncovering Sybils in OSNs with millions of accounts. SybilRank is deployed and tested in the operation center of Tuenti, which is the largest OSN in Spain with 11 million users. Almost 100 and 90 percent of the 50K and 200K accounts, which SybilRank regards as the most suspicious, are indeed fake. In contrast, the hit rate of the current user-report-based approach is only 5 percent. Thus, SybilRank represents a significant step toward practical Sybil defense.

ผลลัพธ์ (ไทย) 1:

Sybil โจมตีเป็นปัญหาพื้นฐานใน topeer เพียร์และระบบอื่น ๆ กระจาย ในการโจมตีที่ Sybil ผู้โจมตีที่เป็นอันตรายสร้างข้อมูลประจำตัวปลอมหลายมีอิทธิพลต่อการทำงานของระบบที่พึ่งเปิดสมาชิก แนะนำและระบบการจัดส่ง เมื่อเร็ว ๆ นี้ จำนวนของสังคมเครือข่ายตามแผน เช่น SybilGuard, Sybillimit, SybilInfer และ SumUp ได้รับการเสนอการโจมตี Sybil Viswanath et al. [19] พัฒนาความวิธีการเหล่านี้ แสดงว่า อยู่ Sybil ป้องกันโครงร่าง ซึ่งสามารถดูได้ตามกราฟอัลกอริทึมพาร์ ทำ โดยระบุชุมชนท้องถิ่น (เช่น กลุ่มของโหนขึ้นแน่นถักของกราฟ) รอบโหนเชื่อถือได้ ดังนั้น สามารถใช้จำนวนมากของการวิจัยล่วงหน้าอัลกอริทึมการตรวจจับของชุมชนทั่วไปในการออกแบบนวนิยาย และมีประสิทธิภาพแผนป้องกัน SybilUsually, binary Sybil/non-Sybil classifiers have high false positives; thus, manual inspection needs to be involved in the decision process for suspending an account. SybilRank [20] aims to efficiently derive a Sybil-likelihood ranking; only the most suspicious accounts need to be inspected manually. It is based on efficiently computable early-terminated RWs and is suitable for parallel implementation on a framework such as Map Reduce, uncovering Sybils in OSNs with millions of accounts. SybilRank is deployed and tested in the operation center of Tuenti, which is the largest OSN in Spain with 11 million users. Almost 100 and 90 percent of the 50K and 200K accounts, which SybilRank regards as the most suspicious, are indeed fake. In contrast, the hit rate of the current user-report-based approach is only 5 percent. Thus, SybilRank represents a significant step toward practical Sybil defense.

ผลลัพธ์ (ไทย) 2:

การโจมตีซีบิลเป็นปัญหาพื้นฐานในแบบ peer-topeer และระบบกระจายอื่น ๆ ในการโจมตีซีบิลโจมตีที่เป็นอันตรายสร้างปลอมหลายที่มีอิทธิพลต่อการทำงานของระบบที่ขึ้นอยู่กับสมาชิกเปิดเช่นข้อเสนอแนะและการส่งมอบระบบ เมื่อเร็ว ๆ นี้จำนวนของรูปแบบเครือข่ายสังคมเช่น SybilGuard, Sybillimit, SybilInfer และ SumUp ได้รับการเสนอให้ลดการโจมตีซีบิล Viswanath et al, [19] การพัฒนาความรู้ความเข้าใจของวิธีการเหล่านี้ มันแสดงให้เห็นว่ามีอยู่ซีบิลแผนการป้องกันซึ่งสามารถมองได้ว่าอัลกอริทึมกราฟแบ่งการทำงานโดยการระบุชุมชนท้องถิ่น (เช่นกลุ่มของโหนดถักแน่นกว่าที่เหลือของกราฟ) รอบโหนดที่เชื่อถือได้ ดังนั้นจำนวนมากของการวิจัยก่อนขั้นตอนวิธีการตรวจสอบชุมชนทั่วไปสามารถใช้ในการออกแบบที่มีประสิทธิภาพและนวนิยายซีบิลแผนการป้องกัน.
โดยปกติลักษณนามไบนารีซีบิล / ไม่ใช่ซีบิลมีผลบวกปลอมสูง ดังนั้นคู่มือการตรวจสอบจะต้องมีส่วนร่วมในกระบวนการตัดสินใจสำหรับการระงับบัญชีผู้ใช้ SybilRank [20] มีเป้าหมายที่จะได้รับมาอย่างมีประสิทธิภาพการจัดอันดับความน่าจะเป็นซีบิล-; เฉพาะบัญชีที่น่าสงสัยมากที่สุดจะต้องมีการตรวจสอบด้วยตนเอง มันขึ้นอยู่กับการคำนวณได้อย่างมีประสิทธิภาพในช่วงต้น RW ที่สิ้นสุดและมีความเหมาะสมสำหรับการดำเนินงานแบบขนานบนกรอบเช่นแผนที่ลดเปิดโปง Sybils ใน OSNs กับล้านบัญชี SybilRank จะใช้งานและทดสอบในศูนย์การดำเนินงานของ Tuenti ซึ่งเป็น OSN ที่ใหญ่ที่สุดในสเปนกับ 11 ล้านคน เกือบ 100 และร้อยละ 90 ของ 50K 200K และบัญชีซึ่ง SybilRank นับถือเป็นที่น่าสงสัยมากที่สุดเป็นจริงของปลอม ในทางตรงกันข้ามอัตราการตีของวิธีการใช้รายงานที่ใช้ในปัจจุบันมีเพียงร้อยละ 5 ดังนั้น SybilRank แสดงให้เห็นถึงขั้นตอนที่สำคัญต่อการปฏิบัติป้องกันซีบิล

ผลลัพธ์ (ไทย) 3:

西比尔的基本问题是在attacks和其他分散的系统。peer-topeer攻击，在一malicious西比尔。attacker提供假身份和职业的影响的一个开放系统，如在这depend recommendation membership As和交付系统。Recently，a number of，如社会网络为基础的方案，Sybillimit SybilGuard，SybilInfer，As和我已经到SumUp，proposed attacks mitigate西比尔。Viswanath等人[ A ] 19理解这些approaches深发展。这是existing西比尔凝集，这是viewed国防方案可以为分区算法，通过identifying工作组件。当地社区的节点（即，更多的clusters针织tightly）高于在休息的trusted组件。因此，一个节点在大量的研究的amount prior社区检测算法一般是用不到的有效设计和小说西比尔国防方案。Usually西比尔，二进制positives / non-Sybil classifiers有假，如果thus高；他的需求是在检查。一个决策的过程，suspending帐户。SybilRank ]针对[ 20到efficiently derive Sybil-likelihood排名；只有一个最需要的是manually inspected suspicious帐户。这是基于efficiently computable early-terminated RWs和是一个框架，implementation suitable平行减少，如发现在地图Sybils As与millions OSNs的帐户。SybilRank tested deployed和操作是在中心，这是最大的Tuenti OSN在西班牙与11百万用户。几乎百分之90 100和50K的帐户和SybilRank 200K，这是作为一个最诚挚的问候，indeed suspicious假货。在对比度的成功率，是当前user-report-based方法。因此，只有百分之5 SybilRank最小显著represents a一步实际国防toward西比尔。