論文の概要: BOTracle: A framework for Discriminating Bots and Humans

• arxiv url: http://arxiv.org/abs/2412.02266v1
• Date: Tue, 03 Dec 2024 08:38:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-04 15:43:19.390177
• Title: BOTracle: A framework for Discriminating Bots and Humans
• Title（参考訳）: BOTracle: ボットと人間を識別するフレームワーク
• Authors: Jan Kadel, August See, Ritwik Sinha, Mathias Fischer,
• Abstract要約: ボットはインターネットトラフィックの重要な部分を占め、複数のドメインにまたがる様々な問題の原因となっている。 我々は,3つの異なる検出手法を解析することにより,高トラフィックシナリオにおけるボット検出の課題を分析する。 精度、リコール、AUCなどのパフォーマンス指標は98%以上に達し、Botchaを上回っています。
• 参考スコア（独自算出の注目度）: 5.3248028128815434
• License:
• Abstract: Bots constitute a significant portion of Internet traffic and are a source of various issues across multiple domains. Modern bots often become indistinguishable from real users, as they employ similar methods to browse the web, including using real browsers. We address the challenge of bot detection in high-traffic scenarios by analyzing three distinct detection methods. The first method operates on heuristics, allowing for rapid detection. The second method utilizes, well known, technical features, such as IP address, window size, and user agent. It serves primarily for comparison with the third method. In the third method, we rely solely on browsing behavior, omitting all static features and focusing exclusively on how clients behave on a website. In contrast to related work, we evaluate our approaches using real-world e-commerce traffic data, comprising 40 million monthly page visits. We further compare our methods against another bot detection approach, Botcha, on the same dataset. Our performance metrics, including precision, recall, and AUC, reach 98 percent or higher, surpassing Botcha.
• Abstract（参考訳）: ボットはインターネットトラフィックの重要な部分を占め、複数のドメインにまたがる様々な問題の原因となっている。 現代のボットは、実際のブラウザの使用を含むウェブ閲覧に類似した方法を採用するため、実際のユーザーと区別できないことが多い。 本稿では,3つの異なる検出手法を解析することにより,高トラフィックシナリオにおけるボット検出の課題に対処する。 最初の方法はヒューリスティックで動作し、迅速な検出を可能にする。 第2の方法は、IPアドレス、ウィンドウサイズ、ユーザーエージェントなど、よく知られた技術的特徴を利用する。 主に第三法との比較に用いられる。 第3の手法では、ブラウジング行動のみに頼り、静的機能をすべて省略し、クライアントがウェブサイト上でどのように振る舞うかにのみ焦点をあてる。 関連する作業とは対照的に、月4000万ページの訪問を含む実世界のeコマーストラフィックデータを用いて、我々のアプローチを評価する。 さらに、同じデータセット上で、私たちのメソッドを別のボット検出アプローチであるBotchaと比較します。 精度、リコール、AUCなどのパフォーマンス指標は98%以上に達し、Botchaを上回っています。

関連論文リスト

• FP-Inconsistent: Detecting Evasive Bots using Browser Fingerprint Inconsistencies [13.105329613926623]
  本研究では,回避ボットの大規模な評価を行い,指紋の改ざんが検出の妨げになるかどうかを調査する。 DataDomeに対する平均回避率は52.93%、BotDに対する平均回避率は44.56%である。 回避ボットは指紋属性の整合性を確保するのに困難であると考えられるため、このような不整合を検出するためのルールを見つけるためのデータ駆動型アプローチを提案する。
  論文  参考訳（メタデータ） (2024-06-11T18:26:17Z)
• BotSSCL: Social Bot Detection with Self-Supervised Contrastive Learning [6.317191658158437]
  自己監督型コントラスト学習(BotSSCL)を用いたソーシャルボット検出のための新しいフレームワークを提案する。 BotSSCLは対照的な学習を用いて、埋め込み空間におけるソーシャルボットと人間を区別し、線形分離性を改善する。 ボットアカウントの操作による検出回避に対するBotSSCLの堅牢性を示す。
  論文  参考訳（メタデータ） (2024-02-06T06:13:13Z)
• What Does the Bot Say? Opportunities and Risks of Large Language Models in Social Media Bot Detection [48.572932773403274]
  ソーシャルボット検出における大規模言語モデルの可能性とリスクについて検討する。 本稿では,多様なユーザ情報モダリティを分割し,克服するための混合異種エキスパートフレームワークを提案する。 実験により、1000の注釈付き例に対する命令チューニングは、最先端のベースラインよりも優れた特殊なLLMを生成することが示された。
  論文  参考訳（メタデータ） (2024-02-01T06:21:19Z)
• My Brother Helps Me: Node Injection Based Adversarial Attack on Social Bot Detection [69.99192868521564]
  Twitterのようなソーシャルプラットフォームは、数多くの不正なユーザーから包囲されている。 ソーシャルネットワークの構造のため、ほとんどの手法は攻撃を受けやすいグラフニューラルネットワーク(GNN)に基づいている。 本稿では,ボット検出モデルを欺いたノードインジェクションに基づく逆攻撃手法を提案する。
  論文  参考訳（メタデータ） (2023-10-11T03:09:48Z)
• BotArtist: Generic approach for bot detection in Twitter via semi-automatic machine learning pipeline [47.61306219245444]
  Twitterは、ボットや偽アカウントのターゲットとなり、偽情報や操作の拡散につながった。 本稿では,機械学習モデル開発に関連する課題に対処するために,セミオートマチック機械学習パイプライン(SAMLP)を提案する。 ユーザプロファイル機能に基づいたボット検出モデルBotArtistを開発した。
  論文  参考訳（メタデータ） (2023-05-31T09:12:35Z)
• BotTriNet: A Unified and Efficient Embedding for Social Bots Detection via Metric Learning [3.9026461169566673]
  ボットを検出するためにアカウントが投稿したテキストコンテンツを活用する統合組込みフレームワークであるBOTTRINETを提案する。 BOTTRINETフレームワークは、実世界のデータセットで評価した単語、文、およびアカウントの埋め込みを生成する。 提案手法は,2つのコンテンツ集約型ボットセットに対して,平均精度98.34%,f1スコア97.99%の最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-04-06T15:28:58Z)
• BotShape: A Novel Social Bots Detection Approach via Behavioral Patterns [4.386183132284449]
  実世界のデータセットに基づいて、生のイベントログから行動シーケンスを構築する。 ボットと真のユーザの違いと、ボットアカウント間の類似パターンを観察する。 本稿では,行動の順序や特徴を自動的に把握するソーシャルボット検出システムBotShapeを提案する。
  論文  参考訳（メタデータ） (2023-03-17T19:03:06Z)
• Identification of Twitter Bots based on an Explainable ML Framework: the US 2020 Elections Case Study [72.61531092316092]
  本稿では,ラベル付きTwitterデータに基づくTwitterボット識別システムの設計に焦点をあてる。 Supervised Machine Learning (ML)フレームワークは、Extreme Gradient Boosting (XGBoost)アルゴリズムを用いて採用されている。 また、MLモデルの予測を説明するためにShapley Additive Explanations (SHAP)をデプロイした。
  論文  参考訳（メタデータ） (2021-12-08T14:12:24Z)
• Detection of Novel Social Bots by Ensembles of Specialized Classifiers [60.63582690037839]
  悪意ある俳優は、社会ボットとして知られるアルゴリズムによって部分的に制御される不正なソーシャルメディアアカウントを作成し、誤情報を広め、オンラインでの議論を扇動する。 異なるタイプのボットが、異なる行動特徴によって特徴づけられることを示す。 本稿では,ボットのクラスごとに専門的な分類器を訓練し,それらの決定を最大ルールで組み合わせる,教師付き学習手法を提案する。
  論文  参考訳（メタデータ） (2020-06-11T22:59:59Z)
• BeCAPTCHA-Mouse: Synthetic Mouse Trajectories and Improved Bot Detection [78.11535724645702]
  本稿では,マウスの神経運動モデルに基づくボット検出器BeCAPTCHA-Mouseを提案する。 BeCAPTCHA-Mouseは、1つのマウス軌道だけで、平均93%の精度で高実在性のボット軌道を検出することができる。
  論文  参考訳（メタデータ） (2020-05-02T17:40:49Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。