تشخيص كاربران متقلب همدست در شبكه اجتماعي حراجي

Detecting Collusive Fraud in Social Network of Online Auction

در طي سال‌هاي گذشته حراجي‌هاي برخط مورد توجه زيادي قرار گرفته است كه با توجه به بعد مالي حراجي، منجر به افزايش تقلب در حراجي‌هاي برخط نيز شده است. به عنوان مثال، تقلب در حراج‌هاي اينترنتي از جمله شركت eBay كه يك شركت مشهور در حراج‌هاي برخط مي‌باشد، افزايش يافته است. به همين دليل، پژوهش‌هاي مختلفي با رويكرد تشخيص خريداران و فروشندگان متقلب در سراسر دنيا انجام‌شده است. در حال حاضر در ايران، حراجي‌ها بيشتر در سازمان‌هاي دولتي بزرگ انجام مي‌شود كه قطعاً در صورت تقلب ضررهاي مالي بزرگي را خواهد داشت. يكي از انواع تقلب، تقلب با روش همكاري و تباني كاربران متقلب در حراجي مي‌باشد كه اين نوع تقلب در صورت وقوع بسيار خطرناك مي‌باشد و ضررهاي مالي تاسف‌باري را خواهد داشت. در اين مقاله الگوريتمي پيشنهاد مي‌گردد كه ابتدا ويژگي‌هاي مؤثر در يافتن افراد صادق را براي هر كاربر حراجي استخراج نمايد و سپس با استفاده از طبقه‌بندي تك دسته‌بند OCSVM، براي هركاربر يك نمره ناهنجاري را حساب نمايد. در نهايت اين الگوريتم، ارتباطات بين كاربران حراجي را با روش ماركف تصادفي مدل‌سازي مي‌نمايد تا باورهاي كاربران را در مورد كاربران همسايه در گراف انتشار دهد و با اين روش نمرات ناهنجاري را بازنگري نمايد. نتايج اين الگوريتم نشان مي‌دهد كه اين تكنيك در هر سه نوع مختلف تقلب‌هاي اينترنتي مي‌تواند كاربران متقلب همكار را با كارآيي بالا تشخيص دهد و در زمان سريع‌تر نسبت به الگوريتم‌هاي قبلي همگرا شده و پاسخ مي‌دهد.

During last years, online auction has attracted many researchers. However, growing popularity in online auctions result in increasing fraud in online auctions. For instance, fraud increased in eBay, as a popular company in online auction. Therefore, many researches have done for detecting fraudulent buyers and sellers. One of the fraud type in online auctions is collusive auction fraud, in which multiple seller and bidders collude with each other. This kind of fraud is dangerous and caused catastrophic financial losses. Therefore, many techniques proposed to deal with this kind of fraud in online auctions. In this paper, we propose a novel detection technique in online auctions that use one-class to calculate an anomaly score for each unlabeled user. Then it models the users’ interactions in the auctions as a pairwise markov random field (MRF). Next, our technique applies belief propagation to the MRF to revise anomaly scores. The results of our experiments show that our proposed technique is able to detect different types of collusive auction frauds within a reasonable detection time.