페이스북 좋아요 팜 탐지를 위한 새로운 접근법

초록

본 논문은 기존 그래프 기반 클러스터링 기법이 은밀하게 활동하는 ‘스텔스’ 좋아요 팜을 탐지하지 못한다는 한계를 지적하고, 사용자 타임라인의 언어적·비언어적 특징을 활용한 머신러닝 모델을 제안한다. 3,670명의 팜 계정과 1,408명의 정상 계정을 수집·분석한 결과, 팜 계정은 포스트 길이·어휘 다양성·재공유 비율 등에서 현저히 차이가 있음을 확인했으며, 이러한 특징을 결합한 SVM 분류기는 99% 이상의 정밀도와 93% 이상의 재현율을 달성한다.

상세 분석

논문은 먼저 페이스북 페이지에 대한 인위적 ‘좋아요’ 구매 서비스를 제공하는 ‘좋아요 팜(like farm)’의 위협을 정의하고, 기존에 Facebook이 도입한 CopyCatch와 SynchroTrap 같은 그래프 공동군집(co‑clustering) 기반 탐지 시스템이 짧은 시간에 대량으로 좋아요를 수행하는 전통적 팜에는 어느 정도 효과적이지만, 시간이 분산되고 인기 페이지를 동시에 좋아하는 스텔스형 팜에는 높은 오탐률을 보인다는 점을 실험적으로 입증한다. 이를 위해 13개의 허니팟 페이지에 6개의 팜(BoostLikes, SocialFormula, AuthenticLikes, MammothSocials)과 5개의 Facebook 광고 캠페인을 진행해 총 5,618명의 사용자를 확보하고, 이후 3,670명의 팜 계정과 1,408명의 정상 사용자를 대상으로 타임라인 데이터를 크롤링하였다.

비언어적 특징 분석에서는 포스트당 평균 댓글 수·좋아요 수·공유 비율을 조사했으며, 팜 계정이 일반 사용자에 비해 댓글·좋아요가 현저히 많고, 원본 포스트보다 외부 링크·동영상·이미지 등 공유 콘텐츠 비중이 높다는 것을 발견했다. 특히, 팜 계정의 포스트는 평균 단어 수가 10 이하로 짧고, 어휘 다양성(고유 단어 수·타입‑토큰 비율)이 낮으며, 가독성 지표(Flesch‑Kincaid 등)에서도 낮은 점수를 기록했다. 이러한 언어적 특성은 자동화된 스크립트나 저품질 콘텐츠를 반복적으로 재공유하는 행태와 연관된다.

다음으로 저자들은 추출한 20여 개의 특징(비언어적 10개, 언어적 10개)을 기반으로 지도학습 모델을 구축했다. SVM을 주된 분류기로 사용했으며, 각각 언어적 특징만, 비언어적 특징만, 그리고 두 집합을 결합한 3가지 모델을 실험했다. 결합 모델은 정밀도 99.2%, 재현율 95.1%, F1-score 97.1%를 달성했으며, 다른 전통적인 머신러닝 알고리즘(Decision Tree, Random Forest, AdaBoost, k‑NN, Naïve Bayes)보다 전반적으로 우수한 성능을 보였다.

또한, 그래프 공동군집 기법의 한계를 정량적으로 제시한다. 동일 데이터에 2‑클러스터 설정으로 실행한 결과, 일부 팜(AL‑USA)에서는 높은 정밀도와 재현율을 기록했지만, BL‑USA와 같은 스텔스 팜에서는 정밀도가 47%에 불과했다. 이는 인기 페이지를 동시에 좋아하는 행태가 정상 사용자와 구분되지 않아 클러스터링이 실패하는 원인으로 분석된다.

결론적으로, 논문은 ‘좋아요’ 행위 자체보다 사용자의 일상적인 소셜 활동—특히 타임라인에 남기는 텍스트와 상호작용 패턴—을 분석함으로써 스텔스형 팜을 효과적으로 식별할 수 있음을 입증한다. 이는 기존 그래프 기반 탐지 시스템을 보완하거나 대체할 수 있는 실용적인 방안으로, 소셜 미디어 플랫폼 운영자와 광고주에게 중요한 시사점을 제공한다.