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