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.
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.
การแปล กรุณารอสักครู่..