Optymalizacja metod uczenia maszynowego do deanonimizacji w sieciach społecznościowych

W ostatnich latach sieci społecznościowe zmagają się z problemem spełnienia wymagań dotyczących ochrony użytkowników i zapobiegania oszustwom w warunkach nieprzewidywalnych zagrożeń. Funkcje anonimowości są powszechnie stosowane, aby pomóc użytkownikom zachować prywatność, ale mogą być również wykorzystywane do celów złośliwych. W niniejszym badaniu opracowaliśmy system deanonimizacji oparty na uczeniu maszynowym, przeznaczony dla sieci społecznościowych, koncentrując się na selekcji cech, dostrajaniu hiperparametrów i redukcji wymiarowości. Dzięki technikom uczenia nadzorowanego system osiąga wysoką dokładność w identyfikowaniu tożsamości użytkowników z anonimizowanych zbiorów danych. W eksperymentach przeprowadzonych na rzeczywistych i syntetycznych danych zoptymalizowane modele konsekwentnie przewyższały metody bazowe średnio. Nawet w przypadkach, gdy tak się nie działo, zaobserwowano znaczące poprawy w zakresie precyzji. Kwestie etyczne związane z deanonimizacją zostały dokładnie omówione, w tym odpowiedzialność za wdrożenie w celu utrzymania równowagi między prywatnością a bezpieczeństwem. Proponując skalowalny i efektywny model analizy anonimizowanych danych w sieciach społecznościowych, badanie to przyczynia się do poprawy wykrywania oszustw i wzmocnienia bezpieczeństwa w Internecie.