통계 및 이미지 데이터를 활용한 가짜 SNS 계정 식별 기술
Fake SNS Account Identification Technique Using Statistical and Image Data
0
조회
0
다운로드
3
인용
0
참고문헌
키워드
초록
인터넷 기술이 발전함에 따라 SNS 사용자가 늘어나고 있다. SNS의 대중화가 진행되면서 소셜 네트워크의 영향력과 익명성을 활용한 SNS형 범죄가 나날이 증가하고 있는 추세이다. 본 논문에서는 인스타그램에서 SNS형 범죄에 주로 이용되는 가짜 계정 분류를 위해 통계 데이터와 이미지 데이터를 이용하여 각각 기계학습 및 딥러닝(deep learning) 기법을 활용한 가짜 계정 분류 방법을 제안한다. 모델 학습에 사용된 SNS 계정 데이터는 자체적으로 수집하였으며, 수집된 데이터는 통계 데이터 및 이미지 데이터에 기반한다. 통계 데이터의 경우에는 기계학습 및 다층 퍼셉트론 기반으로 학습을 진행하였고, 이미지 데이터의 경우에는 합성곱 신경망(Convolutional Neural Network, CNN) 기반으로 학습을 진행하였다. 학습을 진행한 결과 계정 분류에 대하여 정확도가 전반적으로 높게 나온 것을 확인하였다.
Abstract
As Internet technology develops, SNS users are increasing. As SNS becomes popular, SNS-type crimes using the influence and anonymity of social networks are increasing day by day. In this paper, we propose a fake account classification method that applies machine learning and deep learning to statistical and image data for fake accounts classification. SNS account data used for training was collected by itself, and the collected data is based on statistical data and image data. In the case of statistical data, machine learning and multi-layer perceptron were employed to train. Furthermore in the case of image data, a convolutional neural network (CNN) was utilized. Accordingly, it was confirmed that the overall performance of account classification was significantly meaningful.
참고문헌 (33)
- "ICT Facts and Figures-The World in 2015", 국제전기통신연합(ITU)[URL]
- 안지은, "SNS 이용동기와 자기조절이 대학생의 SNS 중독경향성에 미치는 영향", 사회과학연구, 31(1), pp.227~243 (2020), 사회과학연구소[DOI]
- 전형준, "기업의 SNS 마케팅 활동이 이용자 행동에 미치는 영향: 페이스북 팬페이지 애널리틱스를 중심으로", 지능정보연구, 26(1), pp.75~95 (2020), 한국지능정보시스템학회
- M. Mohammadrezaei, "Identifying fake accounts on social networks based on graph analysis and classification algorithms", Security and Communication Networks (2018)
- F. C. Akyon, "Instagram fake and automated account detection", Proc. of 2019 Innovations in Intelligent Systems and Applications Conference (ASYU), pp.1~7 (2019)
- 박정은, "페이스북 사용자 계정의 신뢰도 평가에 대한 연구", 정보보호학회논문지, 23(6), pp.1087~1101 (2013), 한국정보보호학회[DOI]
- 김효신, "로맨스 스캠(Romance Scam) 범죄 현황 및 대응방안에 대한 고찰", 경찰학논총, 14(3), pp.117~146 (2019), 경찰학연구소[DOI]
- 이윤희, "국내 SNS의 이용 현황과 주요 이슈 분석", Internet & Security Focus, pp.56~78 (2014)
- 윤현식, "머신러닝을 통한 SNS 상의 성매매 알선 홍보 글 탐지의 효율성 제고방안 연구", 한국지역정보화학회지, 23(3), pp.43~65 (2020), 한국지역정보화학회[DOI]
- P. Sowmya, "Detection of Fake and Clone accounts in Twitter using Classification and Distance Measure Algorithms", 2020 International Conference on Communication and Signal Processing (ICCSP), pp.0067~0070 (2020)
- I. -A. Bara, "Enhancing Twitter spam accounts discovery using cross-account pattern mining", 2015 IFIP, 2015, 491~496
- F. N. Pakaya, "Malicious account detection on Twitter based on Tweet account features using machine learning", Proc. 2019 Fourth International Conference on Informatics and Computing (ICIC) (2019)
- M. Mohammadrezaei, "Identifying fake accounts on social networks based on graph analysis and classification algorithms", Security and Communication Networks, 2018 (2018)
- P. G. Efthimion, "Supervised machine learning bot detection techniques to identify social Twitter bots", SMU Data Science Review, 1(2) (2018)
- 강명진, "머신러닝을 활용한 SNS 가짜 팔로워 판별 방안 연구", 석사, pp.2020
- 이한승, "교차검증과 SVM을 이용한 도시침수 위험기준 추정 알고리즘 적용성 검토", 한국수자원학회 논문집, 52(12), pp.963~973 (2019), 한국수자원학회[DOI]
- L. Breiman, "Random Forests", Machine Learning, 45(1), pp.5~32 (2001)
- J. H. Friedman, "Greedy function approximation : A gradient boosting machine", Annals of Statistics, 29(5), pp.1189~1232 (2001)
- D. R. Cox, "The regression analysis of binary sequences", Journal of the Royal Statistical Society, Series B(Methodological), 20(2), pp.215~242 (1958)
- T. Chen, "XGBoost : A scalable tree boosting system", Proc. the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, pp.785~794 (2016)
- Ke. G, "Lightgbm : A highly efficient gradient boosting decision tree", Proc. the 31st International Conference on Neural Information Processing System, pp.3149~3157 (2017)
- R. Casey, "Decision tree design using a probabilistic model", IEEE Transactions on Information Theory, 30(1), pp.93~99 (1984)
- H. Zheng, "Ensemble classification to detect diabetes mellitus using a hybrid feature selection method", 석사, pp.2019
- D. E. Rumelhart, "Parallel Distributed Processing: Explorations in the Microstructure of Cognition: Foundations" (1987), MIT Press
- V. Nair, "Rectified linear units improve restricted Boltzmann machines", Proc. the 27th International Conference on International Conference on Machine Learning (ICML), pp.807~814 (2010)
- D. P. Kingma, "Adam: A method for stochastic optimization", Proc. the 3rd International Conference for Learning Representations (ICLR) (2015)
- K. He, "Deep residual learning for image recognition", Proc. of 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp.770~778 (2016)
- 전해명, "다시점 영상 집합을 활용한 선체 블록 분류를 위한 CNN 모델 성능 비교 연구", 대한조선학회 논문집, 57(3), pp.140~151 (2020), 대한조선학회[DOI]
- A. G. Howard, "MobileNets : Efficient convolutional neural networks for mobile vision applications", arXiv:1704.04861v1, ~ (2017)
- 소민혁, "수정된 MobileNet을 이용한 과일의 결점 분류 알고리즘", 한국정보기술학회논문지, 18(7), pp.81~89 (2020), 한국정보기술학회[DOI]
- X. Zhang, "ShuffleNet : An extremely efficient convolutional neural network for mobile devices", Proc. of 2018 IEEE, 2018, ~
- 배지환, "ShubiNet : 시각인식을 위한 이진화된 ShuffleNet 학습", 한국정보과학회 학술발표논문집, pp.1579~1581 (2019)
- J. Deng, "ImageNet: A large-scale hierarchical image database", Proc. IEEE Conference on Computer Vision and Pattern Recognition (CVPR) (2009)