我们的关键思想是从OSN中抽样一些用户，为他们随机分配标签（即良性或Sybil），并将其视为训练集，而无需实际手动对其进行标签。这种随机采样的训练集可能具有各种级别的标签噪声，如果用户随机分配的标签与用户的真实标签不同，则该标签会产生噪声。然后，我们将嘈杂的训练集作为最先进的Sybil检测方法（例如，我们的实验中的SybilSCAR [30]）的输入，该方法对标签噪声具有较强的鲁棒性（即，使用噪音标签的比例相对较低）来检测Sybil。我们将抽样试验定义为以下过程：我们随机抽取一个嘈杂的训练集，然后使用最新的Sybil检测方法通过将采样的训练集作为输入来检测Sybil。由于最新的Sybil检测方法只能在采样训练集的标签噪声相对较低的采样试验中准确检测Sybil，因此我们对多个采样试验重复进行，并设计了一个聚合器将多个采样中的结果汇总审判。
我们的SybilBlind框架的主要挑战是如何在多次抽样试验中汇总结果。例如，一个自然的聚合器将在多个抽样试验中平均结果。具体来说，在每个抽样试验中，我们都有可能成为每个用户的Sybil。我们对每个用户的多次抽样试验的概率进行平均，然后使用平均概率将用户分类为良性或Sybil。
但是，无论从理论上还是经验上，我们都证明了这种平均聚合器的精度接近于随机猜测。为了解决聚合挑战，我们设计了一种新颖的聚合器。具体来说，我们设计了两个新的度量，称为同构和单侧熵。在准确检测出Sybils的抽样试验中，同构和单方熵都很大。通过这两个指标，我们的聚合器可以确定采样试验，其中采样的训练集的标签噪声较低，并且可以准确检测出Sybil。然后，我们从这些抽样试验中计算出每个用户成为Sybil的汇总概率，并使用汇总概率检测Sybil。
我们在理论上和经验上都对SybilBlind进行评估。从理论上讲，我们分析了所需的抽样试验数量。根据经验，我们使用以下方法执行评估：1）具有合成Sybils的社交网络； 2）具有真实Sybils的小型Twitter数据集（8K用户和68K边缘），以及3）具有以下条件的大型Twitter数据集（4200万用户和1.2B边缘）：真正的西比尔斯。我们的结果表明SybilBlind是准确的，例如在小型Twitter数据集上，SybilBlind的AUC为0.98。此外，我们采用了社区检测方法和最新的Sybil检测方法SybilSCAR [30]来在没有手动标记的训练集时检测Sybil。我们的经验评估表明，SybilBlind的性能明显优于这些适应方法。
2
