في عالم تتزايد فيه الحسابات الآلية (البوتات) على وسائل التواصل الاجتماعي، تواجه المجتمعات تحديات كبيرة تهدد نزاهة النقاش العام. ومع الاعتماد المتزايد على الشبكات العصبية الرسومية (Graph Neural Networks) للكشف عن هذه البوتات، يبرز التساؤل حول فعالية هذه الأنظمة في البيئات الحقيقية.

تتغير استراتيجيات المهاجمين باستمرار وتعمل ضمن قيود زمنية ومكانية معينة، مما يؤثر على تطبيق أساليب الهجوم الحالية.

لملء هذه الثغرة، تم تقديم نظام BOCLOAK، الذي يهدف إلى تقييم متانة أنظمة كشف بوتات الشبكات العصبية الرسومية من خلال هجمات معززة تشمل تحرير الحواف (Edge Editing) وإضافة العقد (Node Injection).

يعتمد BOCLOAK على قياسات احتمال تجسد الخصائص الجوارية الزمانية والمكانية، ويتعلم هندسة نقل مثالي تفصل بين سلوكيات البشر والبوتات. يقوم النظام بعد ذلك بتشفير خطط النقل إلى تحريرات جذرية مبتكرة تتفادى الكشف مع الالتزام بالقيود الواقعية.

تولّى BOCLOAK التقييم عبر ثلاث مجموعات بيانات للبوتات الاجتماعية، وخمسة أنظمة كشف بوتات متطورة، وثلاث دفاعات معززة، وقام بمقارنة النتائج مع أربع أساليب رائدة في الهجمات الرسومية.

أظهرت النتائج أن BOCLOAK حقق معدلات نجاح في الهجمات تصل إلى 80.13٪ مع استخدام 99.80٪ أقل من ذاكرة GPU، مما يبرز أن النقل الأمثل يوفر إطارًا فعالًا لتقليل الفجوة بين الهجمات المعززة وكشف البوتات في العالم الحقيقي.

هل أنتم مستعدون لاكتشاف المزيد حول كيفية تنفيذ هذه التقنيات؟ شاركونا آراءكم في الأسفل!