Social Botnets als politische Meinungsmacher in der Ukraine

Transkript

1 Social Botnets als politische Meinungsmacher in der Ukraine Big-Data-Methoden zur Analyse von Twitter-Manipulationen PD Dr. Simon Hegelich, GESIS, Köln

2 Political Data Science Computerwissenschaft Politikwissenschaft Political Data Science Statistik Transformation einer Disziplin Siehe z. B. Bioinformatik, Wirtschaftsinformatik Computerwissenschaft Skalierbare Algorithmen Data Warehousing Web Scraping Statistik Nicht-lineare Modelle Maschinelles Lernen Data- und Text-Mining Politikwissenschaft Digitale Durchdringung als gesellschaftliche Revolution Theorien des Politikprozesses

3 Der Ukrainekonflikt als Fall für Political Data Science Umsturz auf dem Maidan Die Bedeutung von Social Media Kommunikationsplattform getrennt von den staatlich kontrollierten Kanälen Propagandawerkzeug Cyber Warfare Desinformation Surveillance Social Engineering

4 PDS-Social Media Engine Systemstruktur Twitter Streaming API Data Collection Python R Raspberry Pi Data Warehousing SQL 2 Terrabyte Data PHP-Zugriff Data Analytics Selbstentwickelte Infrastruktur Data Collection Echtzeit Mehr Metadaten Umgehen der API-Limitationen Data Warehousing SQL-Datenbank, künftig Appache Hadoop Twittermeldungen #Ukraine, #Fracking, #Energiewende Deutsche Politiker Britische Medien Data Analytics Code Repository Modulare R-Scripts Parallelisierungen zur Skalierbarkeit Hochleistungsrechencluster der Universität Siegen R GitHub HorUS-Cluster

5 Social Botnets Fake-Accounts online kaufen Ein neues Phänomen? Netzwerk von Fake Twitter- Accounts (Boshmaf et al. 2013) Durch eine Software gesteuert (Hegelich/Janetzko 2015) Sehr autonom (Hegelich 2015) Dadurch schwer zu entdecken (Chanda 2014) Herausforderung für die Twitterforschung

6 Social Botnets: Der Fall Ukraine Social Botnet Software Aufspüren des Social Botnet Ausgangssample Tweets vom mit Hashtag #Ukraine (1.3 Millionen Tweets) Tweets mit identischem Text, aber kein Retweet Überprüfung der Metadaten Source URL: vk-prim.ru Analyse des Friend/Follower Netzwerks ca eindeutig identifizierte Bots

7 Das Twifarm-Botnet

8 Social Botnets: Big Data Methods Klassische Politikwissenschaft Qualitativ: Übersetzen der Tweets Codierung per Hand (z.b. maxqda) Aufwand ist enorm Quantitativ: Übersetzung in Kennzahlen (z.b. Zahl der Tweets, FriendsCount etc.) Regressionsmodell (z.b. Zahl der Tweets steigt mit Anzahl der Follower) Ertrag ist gering Political Data Science Text-Mining Translation API Bag of Words Korrelationen Unsupervised Learning Clusteranalysen Interpretation Qualitative Analyse Supervised Learning Vorhersagen der Cluster Integration der Metadaten = Enhanced Deep Learning

9 Text-Mining Wordcloud The Signal and the Noise Sample zufällig ausgewählte Tweets Google-Translation API Bag of Words Häufige Worte Maidan, Russia, Yanukovych, Putin Mehrzahl der Worte ist selten Godzilla, Hercules, Beer

10 Text-Mining: Korrelationen Korrelationsplot Auswertung Worte mit Korrelationskoeffizient über 0.5 Politische Begriffe überwiegen right quadrant = Rechter Sektor

11 Unsupervised Learning: k-means Clustering Algorithmus 1. Randomly assign a number, from 1 to K, to each of the observations. These serve as initial cluster assignments for the observations. 2. Iterate until the cluster assignments stop changing: 1. For each of the K clusters, compute the cluster centroid. The k-th cluster centroid is the vector of the p feature means for the observations in the k-th cluster. 2. Assign each observation to the cluster whose centroid is closest (where closest is defined using Euclidean distance). (James et al. 2013) Bewertung Erläuterung: Findet Ähnlichkeiten, ohne zu wissen, wonach gesucht wird. Startet mit zufälliger Zuordnung, die dann optimiert wird. Ähnlichkeiten innerhalb der Cluster größer als zwischen den Clustern. Pros: Sehr gebräuchlich. Schnell. Kann durch Re-Sampling verbessert werden. Cons: Abhängig von der Anzahl der Cluster. Abhängig vom Zufall (Startpunkte) Nicht eindeutig! Euklidische Distanz für Twitter nicht optimal. Nicht (ohne weiteres) parallelisierbar.

12 Algorithmus Unsupervised Learning: hierarchisches Clustering 1. Begin with n observations and a measure (such as Euclidean distance) of all the n = n(n 1)/2 pairwise dissimilarities. 2 Treat each observation as its own cluster. 2. For i = n, n 1,, 2: 1. Examine all pairwise inter-cluster dissimilarities among the i clusters and identify the pair of clusters that are least dissimilar (that is, most similar). Fuse these two clusters. The dissimilarity between these two clusters indicates the height in the dendrogram at which the fusion should be placed. 2. Compute the new pairwise inter-cluster dissimilarities among the i 1 remaining clusters. (James et al. 2013) Bewertung Erläuterung: Startet mit jeder Beobachtung in einem Cluster. Verbindet je zwei Beobachtungen/Cluster, die besonders ähnlich sind. Pros: Findet Ähnlichkeiten, ohne zu wissen, wonach gesucht wird. Eindeutig! Für GPU-Computing parallelisiert. Erlaubt unterschiedliche Distanzfunktionen. Kann durch Bootstraping überprüft werden. Cons: Nicht so gebräuchlich. Komplexe Ergebnisse. Keine definitive Clusteranzahl. (Speicher Fehler in R bei sehr großen Datenmengen -> R-spezifische Big Data Probleme) Vergleich der Algorithmen am konkreten Fall wird empfohlen. (Hastie et al. 2009)

13 Vergleich der Algorithmen Chorddiagram Erläuterung Darstellung aus der Bio-Informatik Äußerer Ring: Text der Tweets (abgeschnitten und nur jeder 20.) Sortiert nach hierarchischem Clustering Farbring: Ergebnisse des k-means Clustering Jede Farbe ein Cluster Farben sind relativ homogen verteilt Dendogram: Je näher zum Mittelpunkt die Cluster verbunden werden, umso verschiedener sind sie Rote Bereiche bleiben nach fachem Bootstraping stabil Farbkreis: Ergebnisse des hierarchischen Clustering Jede Farbe ein Cluster 8 Cluster für Vergleichbarkeit mit k-means

14 Chorddiagram Auswertung Resultate Beide Algorithmen kommen zu ähnlichen Ergebnissen. K-means unterscheidet eine große Gruppe Noise Differenziert Signal Hierarchisch Fasst Signal in einer Gruppe zusammen Differenziert Noise sinnvoll Filme Witze und Kalendersprüche Nachrichten Im vorliegenden Fall liefert das hierarchische Clustering bessere Ergebnisse!

15 3 Arten von Botverhalten Verschleierung Scheinbar belanglose und normale Inhalte Attraktion Inhalte für Zielgruppen (Nachrichten) Inhalte von genereller Attraktivität (Downloads wegen Google) Verstärkung Verbreitung von Hashtags Propaganda Political Data Science Methoden sind essentiell

16 Übertragung auf weitere Daten Chorddiagram Erläuterung Anzahl der Cluster muss angepasst werden Signal Noise

17 Nächste Schritte Decision Trees Supervised Learning Zuordnung einzelner (neuer) Tweets zu den Kategorien Signal, Noise Decision Trees RandomForest, Boosting Analyse der Tweets in Echtzeit (Hegelich 2015b)

18 Politische Relevanz: Die politikwissenschaftliche Perspektive Punctuated Equilibrium Theory (PET) Disproportionale Informationsverarbeitung im politischen Prozess Nichtlineare Effekte Geringe Reaktionen bei geringer Aufregung übertriebene Reaktionen bei großer Aufregung Allgemeines empirisches Gesetz (Jones et al. 2009) Verbindung mit Data-Mining (Hegelich et al. 2015) Advocacy Coalition Framework (ACF) Bedeutung von Netzwerken Werteorientiert und nicht sachorientiert Devil s Shift (Sabatier/Weible 2007) Verbindung ACF und Twitter (Hegelich/Shahrezaye 2015) Bots sind mit ukrainischen Politikern verbunden (als Friends und Follower) Gefahr von Tipping-Points (Schelling 1971)

19 Politische Relevanz: Cyber Warfare Cyber Berkut Wer steckt dahinter? Mögliche Doppelagenten Twitter im Cyber Warfare Desinformation Surveillance Social Engineering Diverse Vorfälle im aktuellen Konflikt Twitteraccount von Medwedjew gehackt NATO-Internetauftritt lahmgelegt (Cyber Berkut) Georgien/Russland-Krieg 2008 Koordinierte Cyberattacke aber keine nachweisbare Beteiligung staatlicher Stellen Hacktivisten Verbreitung von Informationen über soziale Netzwerke

20 Literatur Boshmaf, Y., Muslukhov, I., Beznosov, K. and Ripeanu, M. Design and analysis of a social botnet. Computer Networks, 57, , Chanda, K. Hybrid Botnet Detection Mechanism. International Journal of Computer Applications, 91, , Grabau, M., Hegelich, S.: The Gas Game: Simulating Decision-Making in the European Union's External Natural Gas Policy. Under review at Swiss Political Science Review Hastie, T., Tibshirani, R. and Friedman, J. The elements of statistical learning. Springer, New York, Hegelich, S. Herrschaft Staat Mitbestimmung, Springer-VS, Wiesbaden, Hegelich, S. Are Social Bots on Twitter Political Actors? Empirical Evidence from a Ukrainian/Russian Social Botnet, presented at: Midwest Political Science Association, Annual Conference Hegelich, S. Decision trees and random forests: Machine learning techniques to classify rare extreme events, under review at: European Political Science, special issue: "Quantitative Approaches to Comparative Analyses: Data properties and their implications for theory, measurement and modeling, Hegelich, S. Simulations in Politics and Technology: Innovation policies in the field of photovoltaic cells, in: Hilpert, Ulrich (Hrsg): Handbook of Politics of Technology, Routledge Hegelich, S., Janetzko, D. Social Bot Behavior on Twitter, Submitted to: The Fourth International Conference on Data Analytics, DATA ANALYTICS Hegelich, S., Fraune, C. and Knollmann, D. Point Predictions and the Punctuated Equilibrium Theory: A Data Mining Approach US Nuclear Policy as Proof of Concept. Policy Studies Journal, Hegelich, S., Shahrezeya, M. The communication behavior of German MPs on Twitter: Reaching to the converted and attacking opponents. Under review at European Polcy Studies. James, G., Witten, D., Hastie, T. and Tibshirani, R. An introduction to statistical learning. Springer, Jones, B. D., Baumgartner, F. R., Breunig, C., Wlezien, C., Soroka, S., Foucault, M., François, A., Green Pedersen, C., Koski, C. and John, P. A general empirical law of public budgets: A comparative analysis. American Journal of Political Science, 53, , Sabatier, P. A. and Weible, C. M. The Advocacy Coalition Framework. Westview Press Boulder, City, Schelling, T. C. Dynamic models of segregation. Journal of mathematical sociology, 1, ,