Multiclasificador homogéneo para detección de Bots en el comercio electrónico

Hélder João Chissingui; Nayma  Cepero Pérez; Humberto D´´íaz Pando; Mailyn  Moreno Espino

Autores/as

Hélder João Chissingui Instituto Superior Técnico Militar – ISTM
Nayma Cepero Pérez Universidad Tecnológica de la Habana "José Antonio Echeverría"
Humberto D´´íaz Pando Universidad Tecnológica de la Habana "José Antonio Echeverría"
Mailyn Moreno Espino Universidad Tecnológica de la Habana "José Antonio Echeverría"

Palabras clave:

Detección de bots, meta-aprendizaje, multiclasificadores, comercio electrónico

Resumen

Para el comercio electrónico, mitigar las amenazas de bots es una tarea relevante, debido al enorme impacto de las actividades maliciosas perpetradas por bots, a través de estos por personas mal intencionadas, las cuales, además del daño que causan a la infraestructura informática y pérdidas económicas, también agudizan la insatisfacción de los usuarios humanos. Actualmente, este problema se hace aún más complejo, porque en ocasiones, usuarios humanos emplean aplicaciones móviles con sus cuentas de usuario para tener privilegios en el acceso a determinados servicios del comercio, o sea, es cada vez más elevado el nivel de sofisticación de bots, lo que resulta que en determinadas circunstancias los patrones de actividades humanas tengan las mismas características de las actividades de bots. Con estos niveles de desarrollo, las tareas de detección se hacen cada vez más complejas y vitales. En este estudio, se propone un enfoque de detección basado en aprendizaje supervisado, con los modelos homogéneos de ensambles de clasificadores, Bagging y Boosting. Los modelos construidos con base a los estimadores ExtraTree, Cart y K-vecinos más cercanos, lograron la puntuación F1 máxima de 100 %, en determinados escenarios, en que la cantidad de ejemplos de la clase minoritaria no sobrepasa 9 % del conjunto de datos. Los resultados se comparan con otros enfoques del estado del arte.

Citas

B, H. X., Li, Z., Chu, C., Chen, Y., Yang, Y., Lu, H., Wang, H., & Stavrou, A. (2018). Detecting and Characterizing Web Bot Traffic in a Large E-commerce Marketplace. ESORICS 2018, 1: 143-163. https://doi.org/10,1007/978-3-319-98989-1

Barbon S., J., Campos, G. F. C., Tavares, G. M., Igawa, R. A., Proença M.L., J., & Guido, R. C. (2018). Detection of human, legitimate bot, and malicious bot in online social networks based on wavelets. ACM Transactions on Multimedia Computing, Communications and Applications, 14(1s). https://doi.org/10,1145/3183506

Bermúdez, M. D.-C. (2022). Gestión de Gobierno basada en ciencia e innovación: avances y desafíos. Anales de la Academia de Ciencias de Cuba, 12(2): 12-35. http://www.revistaccuba.cu/index.php/revacc/article/view/e1235

Cabri, A., Suchacka, G., Rovetta, S., & Masulli, F. (2018). Online Web Bot Detection Using a Sequential Classification Approach. 2018 IEEE 20th International Conference on High Performance Computing and Communications; IEEE 16th International Conference on Smart City; IEEE 4th Intl. Conference on Data Science and Systems. https://doi.org/10,1109/HPCC/SmartCity/DSS.2018.00252

Daya, A. A., Salahuddin, M. A., Limam, N., & Boutaba, R. (2019). A Graph-Based Machine Learning Approach for Bot Detection. IFIP/IEEE International Symposium on Integrated Network Management, Washington DC, USA, April 2019, April.

Dietterich, T. G. (2000). Ensemble Methods in Machine Learning. Multiple Classifier Systems, pp. 1-15.

Echevarría, D. P., Espino, M. M., Pando, H. D., & Chissingui, H. J. (2022). Comercio Electrónico Random Forest For Bot Detection In E-Comerce. Infomática - XVIII Convención y Feria Internacional.

Garcia, S., Grill, M., Stiborek, J., & Zunimo, A. (2014). An empirical comparison of botnet detection methods. Computers and Security Journal, Elsevier, 45: 100-123. https://doi.org/http://dx.doi.org/10,1016/j.cose.2014.05.011

Garcia, S., Grill, M., Stiborek, J., Zunimo, A., Dietterich, T. G., Suchacka, G., Wotzka, D., Chen, H., He, H., Starr, A., Deng, J., Dong, W., Socher, R., Li, L. L.-J., Li, K., Fei-Fei, L., Balla, A., Stassopoulou, A., Dikaiakos, M. D., … Greensmith, J. (2020). Artificial Intelligence - A Modern Approach. Computers & Security, 8(1): 1-6. https://doi.org/10,1007/s11416-020-00368-6

Han, J., Kamber, M., & Pei, J. (2012). Data mining concepts and techniques, third edition. Morgan Kaufmann Publishers. http://www.amazon.de/Data-Mining-Concepts-Techniques-Management/dp/0123814790/ref=tmm_hrd_title_0?ie=UTF8&qid=1366039033&sr=1-1

Haq, S., & Singh, Y. (2018). Botnet Detection using Machine Learning. 2018 Fifth International Conference on Parallel, Distributed and Grid Computing (PDGC), pp. 240-245. https://doi.org/10,1109/PDGC.2018.8745912

Imperva. (2022). 2022 Imperva Bad Bot Report - Evasive Bots Drive Online Fraud. www.imperva.com

Rahman, R. U., & Tomar, D. S. (2020). Threats of price scraping on e-commerce websites: attack model and its detection using neural network. Journal of Computer Virology and Hacking Techniques, 17(1): 75-89. https://doi.org/10,1007/s11416-020-00368-6

Rovetta, S., Suchacka, G., & Masulli, F. (2020). Bot recognition in a Web store: An approach based on unsupervised learning. Journal of Network and Computer Applications, 157, 102577. https://doi.org/https://doi.org/10,1016/j.jnca.2020,102577

Suchacka, G., Cabri, A., Rovetta, S., & Masulli, F. (2021). Efficient on-the-fly Web bot detection. Knowledge-Based Systems, 223, 107074. https://doi.org/https://doi.org/10,1016/j.knosys.2021,107074

Suchacka, G., & Iwanski, J. (2020). Identifying legitimate Web users and bots with different traffic profiles — an Information Bottleneck approach. Knowledge-Based Systems, 197, 105875. https://doi.org/https://doi.org/10,1016/j.knosys.2020,105875

Suchacka, G., & Sobków, M. (2015). Detection of Internet Robots Using a Bayesian Approach. IEEE.

Zhao, J., Liu, X., Yan, Q., Li, B., Shao, M., & Peng, H. (2020). Multi-attributed heterogeneous graph convolutional network for bot detection. Information Sciences, 537: 380-393. https://doi.org/https://doi.org/10,1016/j.ins.2020,03.113