從資料科學分析假帳號

假帳號的社群網絡分析

講者：曾仲毅 Kevin / 資策會資安所 / 工程師

活動主辦單位： Taiwan Data Science Meetup 台灣資料科學社群

曾仲毅 Kevin

Kevin 在資策會研究假新聞，藉由過去於行銷做數據分析的經歷，以資料科學視角，分析社群平台上不實訊息如何形成與傳播，也試著以過去在行銷部門的觀察，理解這個議題的商業模式如何運轉。

摘要

假帳號近年來大量充斥在社群媒體之上，但大部分都是案例，需要進一步以數據的方式來剖析，而社群平台本身的互動關係，很適合以社會網絡分析(Social Network Analysis)的方法，模擬出使用者間的互動關係，找出異常的群體。 演講中會展示分析流程，以及視覺化出網狀結構，對應到社會上的互動關係。

本次 Kevin 主要有幾個 key takeaway 想要帶給我們：

1. 假帳號分析是屬於非監督式問題
2. 需要透過歸因找特徵，使目標變穩定
3. Network Analysis 的流程與難點

首先要聊聊 “資料科學” 在假帳號分析議題上的優劣勢：

優勢

1. 相對於人工，程式或資料科學可以在大規模的資料中找到 insight
2. 可透過量化的來看評估成果，並且有指標幫助判斷
3. 能夠有效地進行抽樣

劣勢

1. 資料量少，需要上標籤
2. 這題目較需要領域知識，不只是模型或數學
3. 假帳號攻防手段會一直改變，因此要不斷迭代做出穩定的特徵

關於穩定的特徵：

1. 必須做產業領域的歸因，去尋找更底層(上游)的成因，因為假帳號是動態的攻防，會比一般成熟的商業環境困難
2. 特徵定義了模型的上限
3. 必須考量成本效益，要評估收集資料(特徵)的成本

Kevin 參考了一個開源專案，作者將源於資訊安全的步驟和手法(TTPs)，換成不實資訊的操作框架(AMITT)。

Kevin 將這個框架運用在假帳號分析上，增加對這領域流程的熟悉度，比較容易找到根本原因，做出的特徵才會更穩定。

關於假帳號分析的兩三事

• 假帳號其實是很成熟的商業模式(灰色產業)，需要去搞懂
• 假帳號賣家會宣傳自己品質多好、有多少好友，而且不會被封鎖
• 雖然中國不能用 Facebook，卻也有很多人會跟外國進行交易
• 如果是個人要做，就只要申請一個 email 辦帳號開始到處加人就好，只是擴散速度極慢；現在有程式可以自動化、大量做群控管理系統
• 必須找到穩定的特徵，不能讓分析/模型 overfitting，就得要知道這個領域的關鍵績效指標/商業模式/受眾等

Why SNA?

• SNA 適用於分析人與人之間的關係
• 跟一般結構化資料不一樣，並非一人一列，而是記錄一群人的關係網絡
• 假帳號跟一般帳號的好友結構會差很多（好友數、好友之間關聯等）

抽樣的考量

• 無法拿到整個群體的社群網絡資料（獲取成本非常高）
• 不能隨機抽樣，因為這群人之間可能不認識因此沒有關係資訊
• 採用滾雪球抽樣法，以某一個人出發，找他的朋友，至少可以得到局部的人際關係

透過 Gephi 軟體進行 EDA：

1. 輸數資料格式：CSV
2. 建立 Edge Table 表示關係特徵：source, target, weight
3. 建立 Node Table 表示個人特徵：Id, age, gender, job, level of friend

正常人的網路 v.s. 假帳號的網路

左圖，正常人的網路：一般人會有不同群體的朋友，像是高中、大學，工作，社群等，同一群體的這些朋友之間是會有聯繫的

右圖，假帳號的網路：假帳號因為幾乎沒有共同好友，尤其是第二層這塊，結構較為鬆散，雖然朋友很多，但是都沒有關聯

為什麼會有這個現象？

• 假帳號想要大加薪好友很不容易
• 正常人都不會加那種名字很怪的英文、好友沒幾個、大頭貼也很怪的帳號
• 就算加到了，好友彼此間有關係或有互動機率也不高
• 也不能大量操作假帳號互加好友，因為需要分散風險，避免被整批刪除

Measurement

• 判斷 ego network 但其 PageRank 不是最大的
• 使用 Python igraph 套件，做比較大規模、複雜的處理

社群檢測

• 觀察交友圈做分群
• 觀測的指標是連結程度(connectivity)，而非以距離(distance)為指標的演算法
• 交友連結也可以替換成其他關係，例如： 分享、按讚、留言等

Result & Finding

• 用人工的方式沒效率，還是必須透過工具或算法來大量處理
• 特徵都是關係的延伸，因此關係的定義很重要（好友/按讚/分享關係）
• 如果資源($$$)充足可以什麼都做，不然就要跟專家做討論
• 還是可以同時配合人工肉搜，質性，訪談

Future Works

• 將流程自動化並規模化

• 隨著檢測的攻防，尋找商家間更多的共通模式

• 結合基本特徵與結構特徵，產出不同的衍伸特徵

• 注意商家無法掩飾的特徵：宣傳標的、帳號成立時間、IP等

  筆記: 張仲樸 Enzo👉 歡迎加入台灣資料科學社群，有豐富的新知分享以及最新活動資訊喔！