作者：小伍哥

來源：小伍哥聊風(fēng)控

關(guān)于圖的風(fēng)控應(yīng)用，之前的很多文章都是基于算法的，今天分享一篇基于圖進(jìn)行人工特征提取的欺詐檢測文章，這樣大部分人都能應(yīng)用上了，其中的特征提取方法和思想，值得我們探索和借鑒，可以作為無監(jiān)督的的指標(biāo)進(jìn)行監(jiān)控，也可以作為算法特征的輸入。本文內(nèi)容來自論文《SocialWatch: Detection of Online Service Abuse via Large-Scale Social Graphs》，地址：https://users.soe.ucsc.edu/~abadi/Papers/socialwatch.pdf

一、背景介紹

本文主要進(jìn)行的是兩類風(fēng)險(xiǎn)賬戶的檢測：黑產(chǎn)自己注冊的賬號+黑產(chǎn)盜號的賬號。在一些網(wǎng)絡(luò)在線服務(wù)中，黑產(chǎn)會使用這些控制的惡意賬號進(jìn)行一些惡意行為，這些賬號可能是黑產(chǎn)批量注冊的，也可能是盜號，因此需要有明顯的特征去區(qū)分惡意賬號和正常賬號。論文為了識別郵箱服務(wù)中的惡意賬號，提出來兩類特征：一類是基于圖的屬性統(tǒng)計(jì)指標(biāo)，另一類是基于社交關(guān)系的特征(social affinity feature)。

我們可以從這篇文章中學(xué)到幾個點(diǎn)：第一個是如何構(gòu)圖（文章中用的郵件，我們可以用電話、地址、點(diǎn)擊、設(shè)備、IP等），第二個是圖統(tǒng)計(jì)特征提，第三個是圖社交關(guān)系特征提取。

二、設(shè)計(jì)構(gòu)建Graph

論文中根據(jù)郵件關(guān)系構(gòu)建了兩種不同類型的圖，頂點(diǎn)都是用戶，但是邊的構(gòu)造有所不同，示意圖如下。

1）發(fā)送郵件的有向圖Gd：如果用戶v1給v2發(fā)郵件，那么生成v1指向v2的邊，權(quán)重是發(fā)送的數(shù)量

2）用戶關(guān)系的無向圖Gu：如果用戶v1給v2發(fā)郵件>=2，同時v2給v1發(fā)郵件>=2，那么v1和v2之間會形成一條邊。

下圖為示意圖，第一個圖覆蓋比較廣，第二個條件的條件比較嚴(yán)格，通過要求邊緣的權(quán)重至少同時為2，可以消除因偶爾或意外電子郵件交換（例如，意外回復(fù)惡意帳戶）而導(dǎo)致的弱連接，圖會小很多，但是整個圖的靠靠性要強(qiáng)很多，可能很多人不知道結(jié)構(gòu)化的數(shù)據(jù)怎么構(gòu)建有向圖和無向圖，后面我會出個文章教大家怎么構(gòu)圖。

條件1圖：節(jié)點(diǎn)數(shù)為6.82億個，邊數(shù)57.45

條件2圖：節(jié)點(diǎn)個數(shù)2.55億個，邊數(shù)4.369

三、檢測黑產(chǎn)自己注冊的賬號

對于黑產(chǎn)自己的賬號，有兩個最顯著且易于計(jì)算的圖屬性，節(jié)點(diǎn)度 和 PageRank。度是一種能捕捉賬戶攻擊性的圖屬性，PageRank 是一種從全局層面計(jì)算整個圖上每個節(jié)點(diǎn)的權(quán)重的方法。接下來，我們將討論如何在社交環(huán)境中修改這兩個屬性以進(jìn)行檢測。

1、賬號回復(fù)率

賬號回復(fù)率 = 回復(fù)該賬號郵件的賬號數(shù)/接收該賬號郵件的賬號數(shù)

惡意賬號出度大（發(fā)郵件給其他的賬號數(shù)量多），但回復(fù)率會比較低，通過簡單的統(tǒng)計(jì)，可以找到一些明顯的惡意賬號。

2、PageRank

PageRank算法是一種基于圖的傳播算法，一種簡單的想法是在有向圖Gd上使用PageRank，傳播善意分?jǐn)?shù)（goodness score），然而盡管惡意賬號的回復(fù)率比較低，但是由于發(fā)送的郵件數(shù)巨大，偶然性的回復(fù)會使得其善意分?jǐn)?shù)偏高，而一些不活躍的正常賬號善意分?jǐn)?shù)會比較低。

為了解決上述問題，論文提出來了兩處改進(jìn)，一是修改邊的權(quán)重（考慮發(fā)送和回復(fù)比例），二是把原來網(wǎng)絡(luò)圖連接關(guān)系進(jìn)行反轉(zhuǎn)（入鏈變成出鏈，出鏈變成入鏈），傳播惡意分?jǐn)?shù)（badness score）。

下面舉一個簡單的例子：

假設(shè)一個正常賬號A發(fā)送給spammer的郵件數(shù)是1，而給其friend的郵件數(shù)是10。那么在傳播goodness score時，根據(jù)A發(fā)送郵件數(shù)作為傳播權(quán)重，傳給spammer的善意得分比較小。

將出入關(guān)系進(jìn)行反轉(zhuǎn)，若spammer給A發(fā)送的郵件數(shù)是100，而friend給A發(fā)送的郵件數(shù)是10，根據(jù)公式：

w(A->spammer) = (101/2) /( 101/2+11/11+11/11) ) = 96.4%

w(A->friend) = (11/11) /( 101/2+11/11+11/11) ) = 1.8%

根據(jù)上述權(quán)重由A傳播惡意分?jǐn)?shù)，傳給spammer的善意得分比較大。定義指標(biāo)badness_score/goodness_score，若指標(biāo)大于某閾值則認(rèn)為賬號是惡意的。

上面的計(jì)算不是很理解的同學(xué)，可以看看這個文章，網(wǎng)頁排序算法PageRank：http://sparkandshine.net/webpages-ranking-algorithm-pagerank/

三、被盜號賬戶檢測-社會親和力特征

被盜的賬號相比于黑產(chǎn)自己注冊的賬號來講行為的噪音更大（被盜號賬戶，過去的行為都很正常，并沒有大規(guī)模的異常郵件行為），通過degree或者pagerank很難識別到，為了解決這個問題，作者從社交關(guān)系的角度出發(fā)，定義了兩個 social affinity feature（社會親和力特征）：Recipient connectivity（收件人連通性 ）和 Social distance（社交距離），下面我們分別看看這兩個特征的具體含義。

1、 Recipient connectivity（收件人連通性 ）

一個正常賬號 和 與其進(jìn)行郵件通訊的賬號往往處于同一個社區(qū)，對于一個賬號v，從Gu中抽取頂點(diǎn)為接收到v郵件的賬號子圖Gu(v)，通過連通圖聚類得到若干連通分量c1，c2，...，ck，這些連通圖分量的成員數(shù)至少為2，于是：對于節(jié)點(diǎn)v而言，刪除節(jié)點(diǎn)v得到以節(jié)點(diǎn)v為中心的一階的子圖，然后使用connected components 算法獲取k個聯(lián)通分量，顯然最小聯(lián)通分量包含兩個節(jié)點(diǎn)。

最后使用公式：Recipient connectivity（v） = 連通分量的賬號數(shù)之和/接收到v郵件的賬號數(shù)

我畫了個示意圖，如下所示，我們把定點(diǎn)V剔除后，剩下的圖，連通性各不相同，圖1就是比較異常的，只要定都發(fā)送，發(fā)送的各個點(diǎn)之間并沒有聯(lián)系，剔除后連同分量為0，而圖3，剔除后的三個賬戶，依然連通，所以連通分量為3。

這背后的直覺就是正常的賬戶和周圍人的聯(lián)系一般較為密切而極少與不認(rèn)識的人存在聯(lián)系，因此其 recipient connectivity 往往較高，而對于一個被劫持的正常賬戶，由于被劫持賬戶也是用來發(fā)廣告之類的（比如微博號、qq號，微信號被盜，會給關(guān)注的人發(fā)各種亂七八糟的私信），因此被劫持的賬戶一旦發(fā)生了這類行為，其recipient connectivity往往會發(fā)生變化，從而變得較低。

Recipient connectivity的一個問題是兩個用戶在郵件網(wǎng)絡(luò)中沒有聯(lián)系，不代表其在真實(shí)世界中也沒有聯(lián)系。

注意：無向圖G的極大連通子圖稱為G的連通分量( Connected Component)，任何連通圖的連通分量只有一個，即是其自身，非連通的無向圖有多個連通分量。求圖的連通分量的目的，是為了確定從圖中的一個頂點(diǎn)是否能到達(dá)圖中的另一個頂點(diǎn)，也就是說，圖中任意兩個頂點(diǎn)之間是否有路徑可達(dá)。這個問題從圖上可以直觀地看出答案，然而，一旦把圖存入計(jì)算機(jī)中，答案就不大清楚了。

2、Social distance（收件人社交距離）

對于一個賬號v，從子圖Gu中剔除賬號v和相關(guān)的邊，于是：Social distance（v）= 接收到v郵件的賬號之間的平均最短距離

However, the social-distance fea-ture l(v) requires computing shortest-path distances on the largegraph Gu for all user pairs in R(v)

這個特征怎么理解？其背后的直覺是復(fù)雜網(wǎng)絡(luò)中的“小世界”，正常賬戶往往在一個社交圈子里，大部分人彼此認(rèn)識，因此對于正常用戶的通過郵件構(gòu)建起來的社交圈子而言，其social distance比較短，而對于被劫持的正常賬戶而言，群體中的其他人彼此并不認(rèn)識，其social distance比較長。

有了這些相關(guān)特征后，如果有已知的被盜賬號，那么通過各種算法就可以構(gòu)建一個分類任務(wù)了，從而識別其他的被盜賬號，或者直接用規(guī)則，識別被盜賬號。

收獲就這兩個社交親和力特征，用來幫助處理盜號問題，沒標(biāo)簽就做規(guī)則，有標(biāo)簽就作為特征train 模型。在上述缺失觀測的情況下，由最短路徑距離定義的社會距離是完整圖上真實(shí)社會距離的上限近似值。

通過上面的圖，我們可以發(fā)現(xiàn)一個理論，六度分隔理論，哈佛大學(xué)心理學(xué)教授斯坦利·米爾格拉姆于1967年根據(jù)這個概念做過一次連鎖信實(shí)驗(yàn)，嘗試證明平均只需要6步就可以聯(lián)系任何兩個互不相識的人。后世的人們將這個理論稱作是“六度空間理論”或“六度分隔理論”。我們的計(jì)算中，正常用戶的距離，均值恰好是6左右。

文章就寫到這里了，文章雖然簡單，但是里面的細(xì)節(jié)還是非常多的，大家可以結(jié)合自己的業(yè)務(wù)，尋找不同的關(guān)系圖，然后來研究里面提到的指標(biāo)。