SYBILSIGNAL: MÔ HÌNH ĐỒ THỊ TRÍ TUỆ NHẬN THỨC RÀNG BUỘC CHO PHÁT HIỆN SYBIL CÓ KHẢ NĂNG GIẢI THÍCH

Abstract

Trong bối cảnh bùng nổ của các mạng xã hội phi tập trung (như Lens Protocol), việc phát hiện các cuộc tấn công Sybil trở thành thách thức sống còn để bảo vệ tính toàn vẹn của hệ sinh thái. Các phương pháp truyền thống thường gặp khó khăn trong việc khai thác các mối quan hệ ràng buộc đa tầng và đối mặt với sự thiếu hụt nghiêm trọng dữ liệu gán nhãn chuẩn. Nghiên cứu này đề xuất SybilSignal, một mô hình đồ thị trí tuệ nhận thức ràng buộc hỗ trợ phát hiện Sybil thông qua quy trình ba giai đoạn: (1) học biểu diễn không giám sát bằng bộ tự mã hóa đồ thị (Graph Autoencoder, viết tắt là GAE) kết hợp mạng chú ý đồ thị cải tiến (Graph Attention Network v2, viết tắt là GATv2); (2) gán nhãn giả lập tự động bằng phân cụm K-Means và hệ thống luật trọng số nhằm khắc phục bài toán thiếu hụt dữ liệu, đồng thời đảm bảo tính giải thích thông qua việc lưu vết lý do vi phạm; (3) phân lớp bằng kiến trúc Decoupled GNN-ML sử dụng GATv2 làm bộ trích xuất đặc trưng. Kết quả thực nghiệm trên các tập dữ liệu thực tế với quy mô tăng dần theo ba phạm vi thời gian cho thấy cấu hình GATv2 + Random Forest đạt chỉ số Macro F1-Score vượt trội là 0,9303 tại phạm vi Quý. Đặc biệt, mô hình đạt tỷ lệ nhận diện nhầm người dùng thật là 0%, khẳng định độ an toàn và tin cậy cao khi triển khai thực tế. Nghiên cứu cung cấp một giải pháp hiệu quả, minh bạch và bền vững cho công tác uản trị an ninh trong môi trường mạng xã hội phi tập trung. Từ khóa: Phát hiện Sybil, Đồ thị xã hội Web3, Mạng nơ-ron đồ thị, GAE, K-Means, Gán nhãn theo luật, Kiến trúc Decoupled, SybilSignal. In the rapidly evolving landscape of Web3 social networks, such as Lens Protocol, detecting Sybil attacks remains a critical challenge for ensuring ecosystem integrity and trust. Traditional detection methods often struggle to capture complex, multi-layered interaction constraints and typically suffer from a severe lack of verified labels. This study proposes SybilSignal, a constraint-aware graph intelligence framework designed for explainable Sybil detection through a novel three-stage pipeline. The process begins with unsupervised representation learning using a Graph Autoencoder (GAE) combined with an improved Graph Attention Network (GATv2) to capture structural embeddings. Subsequently, a heuristic rule system integrated with K-Means clustering is employed for automated pseudo-labeling, effectively overcoming verified data scarcity while ensuring explainability through traceable rule violations. Finally, a decoupled GNN-ML architecture utilizes GATv2 as a feature extractor combined with ensemble learning for classification. Experimental results on real-world datasets with increasing scales across three temporal scopes demonstrate that the GATv2 + Random Forest configuration achieves a state-of-the-art Macro F1-Score of 0.9303 on the quarterly dataset. Notably, the model maintains a 0% false positive rate for benign users, providing a scalable, transparent, and reliable solution for security in decentralized social environments. Keywords: Sybil Detection, Web3 Social Graph, Graph Neural Networks, GAE, K-Means, Rule-based Labeling, Decoupled Architecture, SybilSignal.