Detection and analysis of a rare topic in large sets of search engine queries: paedophile activity in P2P networks
Détection et analyse d'une thématique rare dans de grands ensembles de requêtes : l'activité pédophile dans le P2P
Résumé
The goal of this thesis is to study paedophile activity in P2P networks, using very large sets of search engine collected queries.
In order to detect such paedophile-related queries, we design an automatic tool which labels queries as paedophile or not, based on the keywords the query contains. We then have some sample queries labeled by experts, to estimate the precision and recall of our tool, which are good. We obtain that the fraction of paedophile queries is close to 0.25% (in 2009).
We quantify users entering such queries, which is difficult in this context, because only the IP address (and sometimes a connection port) is known. We study different methods to avoid mixing users and the detection errors of our tool on users. We estimate that the fraction of paedophile users is close to 0.22%.
We analyse the evolution of paedophile activity. The fraction of paedophile queries significantly increases between 2009 and 2012. We also observe that paedophile queries are submitted mostly around 6am, which is enlightening on the social integration of such users - they significantly differ from traditional pornography users.
Eventually, we compare the eDonkey and KAD networks. We design an adequate methodology to obtain relevant data on KAD and observe that, however more decentralized and allegedly more anonymous, KAD hosts less paedophile activity than eDonkey (0.1% approximately).
L’objectif de cette thèse est d’utiliser de grands ensembles de requêtes collectés sur des systèmes P2P pour étudier l’activité pédophile au sein de ces réseaux. En effet, malgré l’importance de ce problème pour la société, il existe peu de connaissances fiables en la matière.
Nous procédons dans un premier temps à la mise au point d’un outil capable de détecter les requêtes qui ciblent des contenus à caractère pédopornographique, en assez faible quantité dans l’ensemble des requêtes. Après avoir identifié quatre catégories de requêtes pédophiles, nous établissons les listes de mots-clefs et tests lexicaux requis pour les distinguer. Nous faisons ensuite classer des requêtes à un ensemble d’experts, afin d’évaluer les performances de notre outil. Celui-ci disposant d’une précision élevée et d’un bon rappel, nous l’utilisons pour estimer de façon fiable la fraction de requêtes pédophiles, proche de 0,25%.
Nous abordons ensuite la quantification des utilisateurs entrant ces requêtes. Dans un tel contexte, où l’on ne dispose que de l’adresse IP et éventuellement d’un port de communication, identifier des utilisateurs est difficile. Nous proposons plusieurs méthodes pour ne pas mélanger les requêtes d’utilisateurs différents. La fraction d’utilisateurs pédophiles est proche de 0,22%.
Nous analysons ensuite la dynamique temporelle de l’activité pédophile. La fraction de requêtes pédophiles a significativement augmenté entre 2009 et 2012. Nous examinons également l’intégration sociale des utilisateurs pédophiles et constatons qu’ils privilégient la fin de la nuit pour effectuer ce type de requêtes, ce en quoi ils diffèrent des autres utilisateurs, notamment ceux soumettant des requêtes pornographiques.
Enfin, nous confrontons les résultats obtenus sur le réseau eDonkey avec ceux du réseau KAD, après avoir défini une méthodologie permettant d’obtenir des données comparables. Nous supposons initialement que le niveau d’anonymat offert par KAD, complètement décentralisé, permet aux utilisateurs de participer à davantage d’échanges pédopornographiques. Nous constatons au contraire que l’activité pédophile est plus importante sur eDonkey et estimons que la fraction de requêtes pédophiles sur KAD est proche de 0.1%.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|
Loading...