Forscher der Mahasarakham University arbeiten an einer Methode, um betrügerische Facebook-Seiten zu erkennen. Damit können solche Seiten, die über gefälschte Profile, Gewinnspiele oder vorgespielte romantische Freundschaftsanfragen versuchen, Usern Geld oder sensible persönliche Daten abzuluchsen, bald mithilfe eines künstlichen neuronalen Netzes aufgespürt und aussortiert werden. In ersten Tests lag die Trefferquote bei 91,37 Prozent.

 

Warnungen nicht ausreichend

"Auf Facebook kann es zu Betrugsfällen kommen, wenn Personen gefälschte Konten erstellen oder bestehende Accounts oder Seiten hacken, die du mit 'Gefällt mir' markiert hast. Die Internetbetrüger versuchen dann über die gefälschten oder kompromittierten Konten auf hinterhältige Weise an dein Geld oder personenbezogene Informationen zu kommen", warnt das soziale Netzwerk alle seine Nutzer. Wenn man eine Nachricht erhalten sollte, bei der man einen Betrug vermutet, sollte man es tunlichst vermeiden, auf diese zu antworten und sie stattdessen an Facebook melden.

 

"Weil diese Warnungen offensichtlich nicht ausreichen, um die User vor den zunehmenden Betrügereien zu schützen, sind wir auf der Suche nach einer automatisierten Möglichkeit, um vertrauenswürdige und nicht vertrauenswürdige Seiten voneinander zu unterscheiden", zitiert "TechXplore" Panida Songram, PhD-Studentin in der Divison of Computer Science der Mahasarakham University. Der Ansatz des maschinellen Lernens sei vielversprechend. "Wir hoffen, dass unsere Methode zur Entwicklung effektiverer Anti-Betrugs-Tools beiträgt", so die Forscherin.

 

"Gute" sowie "böse" Seiten

Im Rahmen ihres Projekts haben Songram und ihr Team zunächst eine Vielzahl verschiedener Facebook-Seiten gesichtet und analysiert, um daraus eine Liste mit Eigenschaften und Indizien zu erstellen, die für Betrügereien charakteristisch sind. Dazu gehören etwa die spezifischen Seiteninformationen, Angaben zu dort angebotenen Produkten und Services, Antworten von Usern und das Verhalten des zuständigen Seitenadministrators.

 

Die gesammelten Infos wurden dann in ein selbstlernendes neuronales Netzwerk eingespeist, um diesen Ansatzpunkte zu liefern, wie man "gute" von "bösen" Seiten unterschieden kann. Anhand von zehn zentralen gefundenen Unterscheidungskriterien konnte das eingesetzte vollautomatische Tool dabei 91,37 Prozent der analysierten Betrugsseiten richtig aufspüren. "Das Ergebnis zeigt das Potenzial unserer Methode, die wir aber in den nächsten Monaten noch weiter verbessern wollen", meint Songram.

(Quelle: pressetext.de)

 

Siehe auch:

http://inter.msu.ac.th