Grey Wolf Optimizer-Based Feature Selection with Mutual Information Refinement for Machine Learning-Based Bot Detection on Social Media

광활하고 소란스러운 소셜 미디어의 풍경 속에서, 조용하지만 중대한 문제가 뿌리를 내렸습니다. 바로 자동화된 계정, 즉 '봇(bot)'의 증가입니다. 이들은 인간 사용자를 모방하도록 설계된 소프트웨어 프로그램으로, 무해한 뉴스 업데이트부터 위험한 허위 정보와 스팸에 이르기까지 다양한 메시지를 게시하고, 콘텐츠에 '좋아요'를 누르며, 다른 이들을 팔로우합니다. 이러한 자동화된 계정 중 일부는 정당한 목적을 위해 사용되기도 하지만, 많은 경우 여론을 좌우하고 온라인 커뮤니티의 신뢰를 저해할 수 있는 악의적인 의도를 가지고 있습니다. 수년 동안 연구자들은 실제 사람과 로봇을 구별할 수 있는 시스템을 구축하기 위해 노력해 왔습니다. 문제는 데이터의 엄청난 양에 있습니다. 소셜 미디어 플랫폼은 트윗 전송 횟수부터 사용자 이름의 길이까지 수십 가지의 서로 다른 특성을 가진 수백만 개의 사용자 프로필을 생성합니다. 이 정보들을 훑으며 실제로 중요한 몇 가지 단서를 찾아내는 것은 마치 끊임없이 커지고 변화하는 건초더미 속에서 특정 바늘을 찾는 것과 같습니다.

인도의 다얄바그 교육 연구소(Dayalbagh Educational Institute)의 연구팀은 이 분류 문제를 해결하기 위해, 봇 탐지를 더 빠르고 정확하게 만드는 것을 목표로 하는 새로운 방법을 개발했습니다. 이들은 모든 정보를 컴퓨터 프로그램에 입력하는 대신, 노이즈를 제거하고 가장 결정적인 세부 사항만을 남기는 2단계 프로세스를 만들었습니다. 그들의 접근 방식은 자연에서 영감을 얻은 탐색 전략과 한 정보가 다른 정보에 대해 얼마나 많은 것을 알려주는지를 측정하는 통계적 방법을 결합한 것입니다. 이 하이브리드 기법을 사용하여, 그들은 68개의 방대한 사용자 특성 목록을 훨씬 작고 강력한 25개의 그룹으로 줄였고, 최종적으로는 식별에 가장 효과적인 10개의 특징으로 더욱 압축할 수 있었습니다.

연구진은 절반은 알려진 봇이고 나머지 절반은 실제 인간인 8,386개의 트위터 계정 정보를 담은 대규모 데이터셋으로 시작했습니다. 각 계정은 팔로워 수, 리트윗 빈도, 사용자 프로 bio(자기소개)의 길이와 같은 68가지의 서로 다른 특징으로 설명되었습니다. 최적의 특징 조합을 찾기 위해 연구팀은 먼저 '회색늑대 최적화(Grey Wolf Optimizer)'라고 불리는 방법을 채택했습니다. 이는 회색늑대의 사회적 계급 구조와 사냥 행동을 모방한 컴퓨터 알고-리즘입니다. 디지털 버전에서 일군의 '늑대'들은 가능한 특징 조합의 광활한 공간을 탐색하며, 가장 좋은 해결책이 무리를 가장 유망한 지역으로 이끕니다. 이 과정은 필터 역할을 하여, 68개의 원래 특성을 봇과 인간을 구별하는 데 가장 유망한 모습을 보이는 더 관리하기 쉬운 25개의 집합으로 좁혀줍니다.

이 초기 25개의 특징 집합이 식별된 후, 연구진은 '상호 정보량(Mutual Information)'이라는 개념을 사용하여 두 번째 정제 단계를 적용했습니다. 이것은 두 가지 사물이 얼마나 밀접하게 연관되어 있는지를 측정하는 방식이라고 생각하면 됩니다. 이 경우, 특정 사용자 특성을 아는 것이 해당 사용자가 봇인지 예측하는 데 얼마나 도움이 되는지를 측정했습니다. 연구진은 25개의 특징을 이 관계를 기준으로 순위를 매김으로써, 어떤 것이 진정으로 필수적인지, 그리고 어떤 것이 단순히 중복된 것인지를 파악할 수 있었습니다. 그들은 최적의 결과를 얻기 위해 상위 4개부터 상위 20개까지 다양한 그룹 크기를 테스트했습니다. 이 단계는 최종 목록이 단순히 작은 것뿐만 아니라, 탐지 시스템을 혼란스럽게 할 수 있는 나머지 불필요한 정보들을 제거하여 가장 관련성 높은 정보로 가득 차도록 보장했습니다.

이 간소화된 접근 방식이 실제로 작동하는지 확인하기 위해, 연구진은 패턴을 인식하도록 훈련된 컴퓨터 프로그램인 5가지 다른 유형의 머신러닝 모델을 대상으로 테스트를 진행했습니다. 그들은 의사결정 나무(decision trees)와 서포트 벡터 머신(support vector machines) 같은 표준 도구들을 사용했을 뿐만 아니라, XGBoost라고 알려진 강력한 모델도 포함했습니다. 결과는 그들의 정제된 특징 목록을 사용했을 때 시스템이 매우 뛰어난 성능을 보였다는 것을 보여주었습니다. 특히 XGBoost 모델은 단 8개에서 12개의 특징만을 사용했을 때 98.87%의 분류 정확도를 달いました. 이는 시스템이 거의 모든 경우에 계정이 봇인지 인간인지를 정확하게 식별했음을 의미합니다. 매우 적은 수의 특징만으로도 시스템은 높은 성능을 유지했으며, 이는 사용자의 프로필에 대한 모든 세부 사항을 분석하지 않고도 이러한 자동화된 계정을 탐지하는 것이 가능하다는 것을 입증했습니다.

또한 이 연구는 유전 알고리즘(genetic algorithms)이나 입자 군집 최적화(particle swarm optimization)와 같은 다른 탐색 전략을 사용하는 기존 기술들과 비교되었습니다. 기존 방법들도 좋은 해결책을 찾아낼 수는 있었지만, 회색늑대 최적화 방식이 전체 특성을 63% 이상 줄이면서도 더 나은 특징 집합을 찾아내어 더 효율적임이 증명되었습니다. 이러한 감소는 탐지 시스템이 훨씬 더 빠르게 실행될 수 있고 더 적은 컴퓨팅 자원을 필요로 한다는 점에서 중요한데, 이는 대규모 소셜 미디어 플랫폼에서 실질적으로 사용하기에 더 적합하다는 것을 의미합니다. 연구진은 일부 모델이 너무 적은 특징을 받았을 때 어려움을 겪는 반면, 의사결정 나무나 XGBoost와 같은 다른 모델들은 그들이 제공한 압축적이고 고품질인 데이터 덕분에 오히려 성과를 냈다는 점을 발견했습니다.

궁극적으로, 이 연구는 효과적인 봇 탐지가 산더미 같은 데이터를 뒤지는 것을 필요로 하지 않는다는 것을 보여줍니다. 적절한 단서들을 신중하게 선택함으로써, 연구자들은 더 빠르고 정확한 시스템을 구축할 수 있습니다. 본 연구는 자연에서 영감을 얻은 탐색 방법과 통계적 순위 도구의 결 조합이 소셜 미디어 봇을 정의하는 특정 행동들을 성공적으로 분리해 낼 수 있음을 확인시켜 주었습니다. 연구진은 향후 작업이 끊임없이 진화하는 봇 제작자들의 전술을 다루어야 하며 잠재적으로 더 복잡한 데이터 유형을 통합해야 한다고 언급했지만, 현재의 연구 결과는 명확한 방향을 제시하고 있습니다. 그들은 올바른 접근 방식이 있다면 디지털 노이즈를 뚫고 온라인 커뮤니티의 무결성을 위협하는 자동화된 계정들을 식별하는 것이 가능하다는 것을 보여주었습니다.