[阅读笔记]iDev: Enhancing Social Coding Security by Cross-platform User Identification Between GitHub and Stack Overflow

原文标题：iDev: Enhancing Social Coding Security by Cross-platform User Identification Between GitHub and Stack Overflow
原文作者：Yujie Fan , Yiming Zhang , Shifu Hou , Lingwei Chen , Yanfang Ye∗ , Chuan Shi , Liang Zhao and Shouhuai Xu
发表会议：28th International Joint Conferences on Artificial Intelligence
原文链接：https://par.nsf.gov/servlets/purl/10103990

1. 论文工作

提出一种跨平台（Github、StackOverflow）的用户识别方案，用于防止攻击者嵌入和分发恶意代码。

该方法包括：

  • 利用社交编码属性（Social Coding Properties）和用户属性（User Attributed Feature），通过AHIN（Attributed Heterogeneous Information Net，含属性异质信息网络）对GitHub和StackOverflow数据进行建模；
  • 一种新的AHIN表示学习模型AHIN2Vec，从而学习AHIN中用户的表示，实现跨平台用户识别；
  • 对每个GitHub/StackOverflow的用户嵌入进行池化，再通过分类器进行识别。

2. 论文方法

方法大致可总结为三点：

AHIN的创建-AHIN2Vec模型的节点表示-对跨平台用户的对比识别。

2.1 AHIN的创建

2.1.1 特征提取

用户特征属性（来自用户profile）：

  • 用户名
  • 地点
  • 联系信息

对于GitHub用户，考虑用户建的仓库；对于StackOverflow用户，考虑其贴出的问题和回答。（使用Doc2Vec经验性地设为100维）

社交编码属性：

  • GitHub的关系：

    • 用户create项目的关系
    • 用户star项目的关系
    • 用户fork项目的关系
    • 用户contribute项目的关系

  • StackOverflow的关系：

    • 用户post问题的关系
    • 用户supply答案的关系
    • 用户的答案echo问题的关系

  • 跨平台的关系：如果StackOverflow的问题/答案存在直接指向GitHub的链接，那么就存在：

    • 问题link项目的关系
    • 答案link项目的关系

2.2 AHIN的构成

AHIN由实体类型、属性和边构成，其中的每个节点都有一组属性，边表示不同实体类型之间的关系，这些关系由一组元路径描述，用于描述节点间的语义关系。

2.3 AHIN2Vec

AHIN2Vec的工作可大致总结为：首先将构建的AHIN映射到一个多视图网络中，然后应用子空间分析来获取一个统一的带属性的图形，最后利用图形自编码器来学习节点嵌入。

首先，将AHIN映射到一系列单视图网络中，分类依据为不同的元路径。每个单视图的图都表现了一种不同的用户间交互。在这个案例中，每个节点就为一个用户，每条边都表示二者可以通过某条元路径相联系。用户在某张单视图中的特征矩阵即可表示为所有用户的矩阵拼接。之后，这些特征矩阵首先被融合，之后进行图自动编码。这里的编码器为GCN，通过GCN来获取图隐性表示。之后作者训练一个Decoder用于预测两个节点间是否存在边连接。

在应用AHIN2Vec后，作者对所有节点运用了平均池化。之后，这些节点被放入分类器中通过SVM进行用户分辨。

3. 论文实验

3.1 数据集

作者从StackExchange中抽取了9737249个用户，其中42840个用户在个人档案里提供了GitHub链接，这些用户被进一步抽取GitHub的相关信息。

之后，作者随机抽取了提供了GitHub链接的10%用户（4284个）作为正例，通过随机链接StackOverflow用户和GitHub用户作为负例（4284个）。

在这个基础上构建了AHIN，其包含25875个节点（4284个GitHub用户节点、4864个GitHub项目节点、4284个StackOverflow节点、2184个问题节点和10259个答案节点）和75824个边。

3.2 方法评估

  • 评估不同特征

不同特征：

f-1：仅用用户特征；

不同的基于AHIN特征：

f-2：在表现最好的单视图中直接连接用户属性和用户关系特征；

f-3：直接将不同的单视图中的用户属性和用户关系特征融合连接；

f-4：连接通过使用文章提出的子空间分析融合方法得到的、融合了不同单视图的用户属性和用户关系特征；

  • 评估不同Embedding方法

和DeepWalk、LINE、metapath2vec、HIN2Vec做对比；向量维度为200，随机选定10%到90%的数据训练，余下的数据做测试。

  • 作者对不同的向量维度做了对比实验，对不同数据集大小的运行时间亦做了实验，以此说明iDev拥有不严格敏感的参数敏感性和可扩展性。

  • 最后，作者做了Case Study，进行数据集为565对的跨平台在野用户判断，获得了88.85%的高可能性相关，2.65%为无法判断。