- SoK: The Evolution of Sybil Defense via Social Networks
- Detecting spammers on twitter
- The Latent Community Model for Detecting Sybil Attacks in Social Networks
- Uncovering Large Groups of Active Malicious Accounts inOnline Social Networks
SoK: The Evolution of Sybil Defense via Social Networks
Alvisi L, Clement A, Epasto A, et al. Sok: The evolution of sybil defense via social networks[C]//2013 ieee symposium on security and privacy. IEEE, 2013: 38\96
本文综述了Sybil防御协议，利用社会图结构识别Sybil。（基于人人网进行研究）
Detecting spammers on twitter
Fabrıcio Benevenuto, Gabriel Magno, Tiago Rodrigues, and Virgılio Almeida. 2010. Detecting spammers on twitter. In CEAS.
关于检测Twitter上的垃圾邮件发送者，该类垃圾邮件包含热门话题，导致用户访问与话题完全无关的网站。
爬虫收集了Twitter上54981152个用户，通过1963263821条链接来连接，并收集了1755925520条推文。
推文上的内容特征：标签数量的占比，URL数量的占比，字数，标签数，URL数，出现的数字字符数量，提到的用户数量，被转发的次数等。
用户的行为特征：粉丝数量，关注者数量，粉丝/关注人数的比例，发布的tweet数量，年龄，被提及的次数，被回复的次数，回复别人的次数，用户粉丝中关注自己的数量，从关注者那里接受的tweet数量，用户的screename上是否存在spam词汇，每天、每周发布的tweet数量的最小值、最大值、平均值、中位数。
The Latent Community Model for Detecting Sybil Attacks in Social Networks
Zhuhua Cai and Christopher Jermaine. 2012. The Latent Community Model for Detecting Sybils in Social Networks. In NDSS.
提出一个LC模型（Latent Community）来检测Sybil攻击
Uncovering Large Groups of Active Malicious Accounts inOnline Social Networks
Qiang Cao, Xiaowei Yang, Jieqi Yu, and Christopher Palow. 2014. Uncovering large groups of active malicious accounts in online social networks. In CCS. 477–488.
作者实现一个恶意账户检测系统SynchroTrap，根据恶意账户的行为，可以在一段时间内发现很多行为相似的恶意账户，目前已经在Facebook和Instagram上部署。