Farcaster sybil account detection using graph-based and machine learning models

Abstract

Farcaster, a principal rede social baseada em blockchain com mais de 800 mil contas registradas, enfrenta desafios significativos de ataques Sybil, onde usuários fraudulentos criam múltiplas contas falsas para explorar incentivos financeiros e distribuir conteúdo malicioso. Esses ataques degradam a experiência do usuário através de conteúdo sem sentido e criam encargos administrativos. Este projeto apresenta uma abordagem que consiste na combinação de um algoritmo baseado em grafos e modelos de aprendizado de máquina para detectar contas Sybil no Farcaster. A metodologia emprega o SybilSCAR como componente baseado em grafos, selecionado por seu equilíbrio entre assertividade e tempo de execução. O componente de aprendizado de máquina utiliza um conjunto de modelos LightGBM, Random Forest e XGBoost, incorporando características como métricas de análise de texto, padrões comportamentais e indicadores de estrutura de rede. A abordagem foi avaliada em um conjunto de dados de aproximadamente 4 mil amostras Sybil, juntamente com 400 contas humanas verificadas manualmente. A abordagem híbrida alcançou desempenho superior com uma pontuação ROC AUC de 0,99, comparado a 0,95 para o algoritmo baseado em grafos isolado e 0,98 para o modelo de aprendizado de máquina sozinho. Este trabalho reforça a descoberta acadêmica de que abordagens mistas superam soluções de método único para detecção de Sybils. As implicações práticas incluem permitir que clientes do Farcaster como o Warpcast identifiquem e filtrem contas fraudulentas de forma mais eficiente, melhorando significativamente a experiência do usuário em toda a plataforma.

Farcaster, the leading blockchain-based social network with over 800,000 registered accounts, faces significant challenges from Sybil attacks where fraudulent users create multiple fake accounts to exploit financial incentives and distribute malicious content. These attacks degrade user experience through meaningless content and create administrative burdens. This thesis presents a mixed algorithm approach combining a graph-based algorithm with machine learning models to detect Sybil accounts on Farcaster. The methodology employs SybilSCAR as the graph-based component, selected for its balance of performance and execution time. The machine learning component utilizes an ensemble of LightGBM, Random Forest, and XGBoost models, incorporating features such as text analysis metrics, behavioral patterns, and network structure indicators. The approach was evaluated on a dataset of approximately 4,000 Sybil samples, alongside 400 manually verified human accounts. The hybrid approach achieved superior performance with a ROC AUC score of 0.99, compared to 0.95 for the standalone graph-based algorithm and 0.98 for the machine learning model alone. This work reinforces the academic finding that mixed approaches outperform single-method solutions for Sybil detection. The practical implications include enabling Farcaster clients like Warpcast to more efficiently identify and filter fraudulent accounts, significantly enhancing the user experience across the platform