Colaboração com o compartilhamento de conteúdo através de mapas digitais é um tipo de aplicação que é característica do contexto da web social. A atividade maliciosa que é difícil de detectar, neste contexto interativo, é a geração de uma tendência falsa no mapa como o resultado de uma trama em que diversos crimes falsos são reportados por grupos de usuários. Nesse trabalho nós descrevemos como a modelagem de redes complexas de crime relatados em um mapa colaborativo pode ajudar a identificar regularidades, e, com isso, mostrar desvios decorrentes de atividades maliciosas. A ideia aqui é modelar uma rede composta por usuários que relataram crimes e os locais onde tais crimes são relatados (por exemplo: um setor censitário). A partir de um modelo de rede bipartida em que os vértices são usuários e setores censitários, projetamos uma rede monopartite de usuários em que as arestas indicam a força da ligação entre eles. Esta força de conexão indica o grau de correlação dos registros de crime feitos por esses usuários nos mesmos lugares. Ao caracterizar isso, pudemos observar que as relações de usuários não-hubs, geralmente, não são mais fortes que as relações entre esses usuários não-hubs e hubs. Se isso acontecer, a evidência de atividade maliciosa se torna clara. Simulação de atividades maliciosas neste conjunto de dados permitiu avaliar as contribuições e limitações da nossa abordagem.

Palavras-chave: Redes Complexas, Mineração de Dados, Segurança na Web
Ver menos

Collaboration with content sharing via digital maps is a type of application that is characteristic of the context of the social web. A malicious activity that is di cult to detect in this interactive context is the generation of a false trend on the map as the result of a plot in which several false reports by more than one person are done.
In this paper, we describe how modeling complex networks of crime reported on a collaborative (or crowd) map can help identify regularities, and therefore show deviations arising from malicious activity. The idea here is to model a network comprised of users who reported crimes and the locations where such crimes were reported (e.g.: a census tract). Starting from a bipartite network model in which the vertices are individuals and census tracts, we projected a monopartite network of users in which the edges indicate the strength of connection between them. This connection strength indicates the degree of co-relatedness of the reports of crime made by these two users in a particular place. By characterizing this, we were able to observe that the relationships of non-hub users among themselves are typically no stronger than the relationship between such non-hub users and the hubs. If this happens, the evidence of malicious activity becomes clear. Simulation of malicious activities in this dataset has allowed evaluating the contributions and limitations of our approach.

Keywords: Complex Networks, Data Mining, Security on the Web Ver menos