Effiziente Erkennung von Crowdsourcing-Betrug über einen heterogenen zeitlichen MMMA-Graphen

แนวคิดหลัก

Die Erkennung von Crowdsourcing-Betrug in Multi-Purpose Messaging Mobile Apps (MMMAs) durch ein neuartiges kontrastives Multi-View-Lernverfahren, das sowohl die Heterogenität als auch die Dynamik des MMMA-Graphen erfasst und hochwertige Darstellungen für die Erkennung von Crowdsourcing-Betrug in einem selbstüberwachten Verfahren generiert.

บทคัดย่อ

Der Artikel untersucht die Erkennung von Crowdsourcing-Betrug in MMMAs wie WeChat. Crowdsourcing-Betrug ist ein wachsendes Problem, bei dem Cyberkriminelle Klickfarmen-Arbeiter als Opfer ausnutzen.
Der Artikel modelliert den MMMA-Graphen als einen heterogenen zeitlichen Graphen (HTG), der sowohl die Heterogenität (verschiedene Nutzerinteraktionen) als auch die Dynamik (zeitliche Abfolge von Aktionen) erfasst.
Zur Erkennung von Crowdsourcing-Betrug schlägt der Artikel ein neuartiges kontrastives Multi-View-Lernverfahren namens CMT vor. CMT verwendet einen heterogenen Graphenencoder, um die Heterogenität des HTG zu erfassen. Zur Modellierung der Dynamik konstruiert CMT zwei Arten von Nutzerhistorie-Sequenzen als zwei "Views" von Verhaltensmustern. CMT wendet dann Datenverstärkung an und verwendet kontrastives Lernen, um diese Sequenzen in einem selbstüberwachten Verfahren zu codieren.
CMT wird auf einem industriegroßen HTG von WeChat eingesetzt und übertrifft andere Methoden deutlich. Zusätzliche vielversprechende Ergebnisse auf einem großen öffentlichen Finanz-HTG zeigen, dass CMT auch in anderen Graphanomalieerkennungsaufgaben angewendet werden kann.

สถิติ

Die Anzahl der Nutzerknoten im WeChat-Datensatz beträgt fast 6,8 Millionen, die Anzahl der WeChat-Chatgruppen-Knoten 151.000 und die Anzahl der Geräteknoten 126.000.
Die Gesamtzahl der Kanten beträgt etwa 29,7 Millionen und umfasst 7 Beziehungstypen.
Im FinGraph-Datensatz gibt es etwa 4,1 Millionen Nutzerknoten und 5 Millionen Kanten mit 11 Kantentypen.

คำพูด

"Der Aufstieg des Klickfarmen-Geschäfts unter Verwendung von Multi-Purpose Messaging Mobile Apps (MMMAs) verlockt Cyberkriminelle dazu, Crowdsourcing-Betrug zu begehen, der Klickfarmen-Arbeitern finanzielle Verluste zufügt."
"Wir erhalten die Erlaubnis, auf Daten von WeChat zu experimentieren."

ข้อมูลเชิงลึกที่สำคัญจาก

Crowdsourcing Fraud Detection over Heterogeneous Temporal MMMA Graph

by Zequan Xu,Qi... ที่ arxiv.org 04-05-2024

https://arxiv.org/pdf/2308.02793.pdf

สอบถามเพิ่มเติม

Wie könnte CMT für andere Arten von Betrug oder Anomalien in sozialen Netzwerken angepasst werden?

Um CMT für andere Arten von Betrug oder Anomalien in sozialen Netzwerken anzupassen, könnten verschiedene Anpassungen vorgenommen werden:

Erweiterung der Relationstypen: Je nach Art des Betrugs können zusätzliche Relationstypen definiert werden, um spezifische Interaktionen oder Verhaltensweisen zu erfassen.
Anpassung der Features: Die Merkmale, die zur Modellierung der Nutzer verwendet werden, können je nach Art des Betrugs angepasst werden. Zum Beispiel könnten zusätzliche Merkmale wie Nutzeraktivität, Verbindungsmuster oder Verhaltensweisen hinzugefügt werden.
Verbesserung der Datenaggregation: Durch die Anpassung der Aggregationsmethoden für benachbarte Knoten können spezifische Muster oder Beziehungen besser erfasst werden.
Integration von Textdaten: Falls verfügbar und ethisch vertretbar, könnten Textdaten aus Nachrichten oder Beiträgen in sozialen Netzwerken in das Modell einbezogen werden, um zusätzliche Einblicke in das Nutzerverhalten zu erhalten.

Welche zusätzlichen Informationen über Nutzerinteraktionen oder -profile könnten die Leistung von CMT weiter verbessern, ohne die Privatsphäre der Nutzer zu verletzen?

Um die Leistung von CMT weiter zu verbessern, ohne die Privatsphäre der Nutzer zu verletzen, könnten folgende zusätzliche Informationen über Nutzerinteraktionen oder -profile berücksichtigt werden:

Verhaltensmuster: Die Analyse von Verhaltensmustern wie Aktivitätszeiten, Interaktionsfrequenz oder -dauer könnte wertvolle Einblicke liefern, ohne spezifische Inhalte offenzulegen.
Netzwerkeinfluss: Die Berücksichtigung des Einflusses eines Nutzers innerhalb des Netzwerks, basierend auf Faktoren wie Verbindungen, Gruppenmitgliedschaften oder Interaktionshäufigkeit, könnte die Modellgenauigkeit verbessern.
Transaktionshistorie: Die Integration von Informationen über vergangene Transaktionen oder Interaktionen könnte dazu beitragen, betrügerische Aktivitäten oder ungewöhnliche Muster zu erkennen, ohne sensible Daten offenzulegen.
Geräteinformationen: Die Berücksichtigung von Geräteinformationen wie Gerätetyp, Standort oder Betriebssystem könnte dazu beitragen, verdächtige Aktivitäten zu identifizieren, ohne die Privatsphäre der Nutzer zu gefährden.

Wie könnte CMT für die Erkennung von Betrug in anderen Branchen wie dem Finanzwesen oder E-Commerce angepasst werden?

Für die Anpassung von CMT zur Betrugserkennung in anderen Branchen wie dem Finanzwesen oder E-Commerce könnten folgende Schritte unternommen werden:

Branchenspezifische Relationen: Definition von spezifischen Relationen und Interaktionen, die für die jeweilige Branche relevant sind, z. B. Finanztransaktionen, Produktkäufe oder Kundenbewertungen.
Erweiterung der Features: Integration von branchenspezifischen Merkmalen wie Transaktionsvolumen, Produktkategorien oder Kundenbewertungen, um Betrugsmuster oder Anomalien besser zu erfassen.
Compliance-Aspekte: Berücksichtigung von Compliance-Anforderungen und Datenschutzbestimmungen, um sicherzustellen, dass das Modell die branchenspezifischen Vorschriften einhält und die Privatsphäre der Nutzer respektiert.
Echtzeitüberwachung: Implementierung von Echtzeitüberwachungsfunktionen, um Betrug oder verdächtige Aktivitäten sofort zu erkennen und darauf zu reagieren, insbesondere in sensiblen Branchen wie dem Finanzwesen.