Facebook数据造假，竟涉及多家中国公司

在上述博主的视频中通过统计，发现他的“虚假粉丝”主要来源于发展中国家。Facebook在2017年的观察报告中也指出，大部分虚假帐户来自孟加拉国、印度、埃及和巴基斯坦等国。而这背后也反映出整个虚假账号、虚假流量市场不同地域的犯罪成本差距。与发达国家比较，发展中国家的确存在相关法律不健全、监管不到位、惩戒体系不完善、意识很欠缺等问题，甚至在斯里兰卡、埃及、印尼等地区还存在“机器工厂”，点击1000次只需要1美金。总体来说犯罪成本都远远低于发达国家，所以也就出现下图的情况。

机器之争，如何掌握主动权

而如今困扰各大社交平台的“虚假账号”、“虚假流量”其实在发展初期并没有受到过多的关注与打击，甚至还成为当时用户量、活跃度统计中重要的一部分。遗憾的是，水能载舟亦能覆舟。当初各平台所追求的“数字”如今却成为难以摆脱的梦魇。

当然，从2012年到今天，其实我们也看到了Facebook在面对“虚假账号”、“虚假流量”之下在不断作出努力。甚至还想过请FBI调查…

但是就目前来看还是存在许多问题：

• 一是误杀较多，影响用户体验；
• 二是对于异常账户检测技术方面还有许多进步空间。

第一个误杀的情况，由于Facebook的封禁是从设备硬件、账号登录情况、运营内容等多维度进行的。Facebook主管分析的副总裁Alex Schultz之前在采访中透露，平台已经在使用机器学习判定假账号。通常来说，一个被批量制造出来的帐号会在几分钟内被移除。

这样一来，如果出现IP、账号反复登录等异常情况，很可能就会被封禁，误杀率就这样被提高了。

第二点是从2012年到现在，Facebook多次大面积封禁虚假账号，但是这“野草烧不尽”般的势头背后反映出其在防御策略和技术方面还是有很多进步空间。

而目前对于异常账户的检测主要有以下几种方式：

• 基于行为特征的检测方案；
• 基于内容的检测方案；
• 基于图的检测方案；
• 无监督学习。

目前很多平台主要使用的还是基于内容的检测方案，辅之基于行为特征的检测方案。但是随着AI的不断发展，“机器账号”的伪装能力越来越强，这场机器之战之下，我们必须采用更为精细、科学的处理方式。比如从注册审核环节、使用轨迹等维度建立多维度、多环节、长周期的分析模型，尽力提高对于异常账户的检测精度。

而目前随着图学习、社交网络等研究的不断发展，我们也可以采用基于图的检测方案。这种方式的关键是构造一个图，在图中异常帐号与正常帐号具有不同的结构或者连接方式，然后利用图挖掘的相关算法找到图中具体的异常结构或者异常节点。从一个“异常账号”找到相类似的更多机器账号。

对于异常账户的检测，一直是做安全、做风控的研究重点。随着机器学习的发展，这两年复杂网络、GCN逐渐崛起，新技术的创新将近在咫尺。

【编辑推荐】

1. 亿万人抢10亿红包的数据监控，如何实现业务零资损？
2. 为什么我3岁的儿子有不良信用记录？儿童数据泄露问题暗潮汹涌
3. 大数据安全防护方法研究与建议
4. 企业数字化转型中数据安全治理之道
5. 315过后，我们的隐私数据谁来维护

（编辑：PHP编程网 - 黄冈站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!