Erkennung von Bot-Verhalten in sozialen Medien mittels Digital-DNA-Kompression

Ein wesentlicher Herausforderung, mit der Online-Sozialnetzwerke wie Facebook und Twitter in den letzten Jahren konfrontiert sind, ist der bemerkenswerte Anstieg von gefälschten und automatisierten Bot-Accounts. Einige dieser Konten wurden bereits für unerwünschte Aktivitäten wie Spam, politische Kampagnen und die Verbreitung von Falschinformationen auf der Plattform verantwortlich gemacht. Wir präsentieren einen Ansatz zur Erkennung botartigen Verhaltens bei Twitter-Accounts, indem wir deren vergangene Tweet-Aktivität analysieren. Wir bauen auf einer bestehenden Methode zur Analyse von Twitter-Accounts auf, die als „Digital DNA“ bezeichnet wird. Digital DNA modelliert das Verhalten von Twitter-Accounts, indem sie die Post-Geschichte eines Nutzerkontos als Zeichenfolge codiert, die einer echten DNA-Sequenz analog ist. In unserem Ansatz wenden wir einen verlustfreien Kompressionsalgorithmus auf diese Digital-DNA-Sequenzen an und nutzen die Kompressionsstatistiken als Maß für die Vorhersagbarkeit des Verhaltens einer Gruppe von Twitter-Accounts. Wir nutzen die durch die Kompressionsstatistiken vermittelte Information, um das Postverhalten visuell mittels eines einfachen zweidimensionalen Streudiagramms darzustellen, und klassifizieren die Nutzerkonten mithilfe einer kommerziell verfügbaren Implementierung des logistischen Regressions-Klassifikationsalgorithmus als Bots oder echte Nutzer.