本文通过研究社交网络中的 Sybils 账户，探索了一种可行的基于众包的检测系统，发现专家能够较准确地检测出 Sybils 账号，而 turkers 表现存在显著差异。本文基于这些结果构建了一个多层次的基于众包的 Sybil 检测系统，该系统可以作为独立的工具或作为当前工具的补充技术，能够扩展并且具有高效性。

May, 2012

本篇论文研究了虚假评论和 Sybil 攻击，通过设计了一种三阶段的 Sybil 检测方案，可以检测出有潜在威胁的用户组，识别 Sybil 活动窗口，并识别参与活动的精英 Sybil 用户，同时研究表明精英 Sybil 攻击对各个行业的影响，并展示了对精英 Sybil 用户进行监测所提供的有价值的预警。

Sep, 2017

本文提出了一种使用 GAN 算法通过 Twitter 数据集计算用户之间的相似度，以识别和检测假用户账户的新方法，并实验结果表明，该方法的准确率能够达到 98.1％。

Oct, 2022

SybilFuse 是一种基于社交网络信任关系的深度防御框架，可有效检测 Sybil 攻击，通过本地分类器和全局网络结构传播机制获得高效的检测性能。

Mar, 2018

本文讨论了如何检测大型在线网络中的可疑用户及其潜在的商业利用，提出了一种对抗性算法 fBox，旨在捕捉目前基于谱分析方法检测不到的小规模袭击。该算法通过理论分析和实验验证具有高准确性和可扩展性，在 Twitter 上的实际数据上取得了良好的表现，可以用于检测持久存在的可疑账户。

Oct, 2014

该论文提出了一种应用程序，旨在检测和中和在线社交网络中的虚假实体，并着重保护公司免受潜在欺诈行为的影响。该应用程序以用户为中心的设计确保了对调查机构，尤其是刑事部门的可访问性，便于在复杂的社交媒体环境中进行导航和与现有调查程序的集成。

Nov, 2023

本文介绍了一种基于双层图模型的假新闻检测模型 Us-DeFake，通过提取社交网络中新闻和用户之间的多重关系以及学习用户可信度信息以提高模型性能，实验结果表明该模型优于所有基准模型。

Dec, 2022

该研究探讨了去中心化自治组织（DAO）中数字资产的多中心治理，并提供了一个理论框架，通过开发一种识别虚假身份（Sybils）的方法，解决了去中心化治理面临的关键挑战。该方法使用图深度学习技术在一个 DAO 治理数据集（snapshot.org）中识别虚假活动。具体而言，图卷积神经网络（GCNN）学习了投票行为，快速 k 均值向量聚类算法（FAISS）利用高维嵌入识别图中的相似节点。结果表明，深度学习可以有效减少 2-5% 的投票图中的虚假节点。该研究强调了去中心化自治组织中防止虚假身份的重要性，并为去中心化治理提供了一种新的视角，为未来的政策、监管和治理实践提供了指导。

Nov, 2023

通过构建 Twitter 真实与虚假跟随者的基准数据集，本文训练了一组基于机器学习的分类器，证明了部分学术界提出的用于垃圾邮件检测的特征表现良好，建立了一个新的 “Class A” 分类器，能够正确分类超过 95% 的账户，并进行了灵敏度分析。

Sep, 2015

本文提出了 SybilSCAR，一种新的基于结构的 Sybil 检测方法，其在理论和实验中都展现出比基于 Random Walk 和 Loop Belief Propagation 的现有方法更高的准确性，更强的鲁棒性，更高的可扩展性。

Mar, 2018