När du läser detta, kokain, förmåner, och andra olagliga produkter och tjänster köps och säljs på dussintals onlineanonyma marknadsplatser. Dessa marknadsplatser är svåra att stänga av eftersom de finns i nätverk som ligger begravda under krypteringslager, vilket gör det oerhört svårt att fastställa identiteten på de inblandade.

För att göra saken värre för brottsbekämpningen, vissa produktiva säljare kommer att undvika inriktning genom att driva flera konton som verkar vara enskilda säljare med mindre mängder produkt. De brottsbekämpande myndigheterna har huvudvärk, men de är inte de enda.

"När säljare använder flera konton, det är mycket svårt för forskare att få en exakt bild av hur dessa marknadsplatser faktiskt ser ut, "säger Xiao Hui Tai, en tidigare CyLab Ph.D. student vid Institutionen för statistik och datavetenskap. "Forskare och brottsbekämpning vill båda veta den verkliga storleken på dessa underjordiska marknader."

I en studie som presenterades vid Knowledge Discovery and Data (KDD) Mining Conference, Tai samarbetade med två andra forskare för att utveckla en algoritm som kan upptäcka när till synes olika konton tillhör samma säljare. Teamet testade sin algoritm på åtta års värde av data som samlats in från ett dussin anonyma marknadsplatser online.

"Vår algoritm upptäckte över 20, 000 konton som tillhör ungefär 15, 000 enskilda säljare, "Sade Tai." Några av dessa personer drev mellan två och elva konton. "

Algoritmen fungerade genom att extrahera kontoinformation - saker som kontonamn, produkter som säljs av dessa konton, priser, där kontona skickades till och från, och den typ av ord som används i kontonas profiler - och jämför dem mot varandra. Om ytterligare två konton delade liknande egenskaper över ett visst tröskelvärde, algoritmen matchade dem till samma säljare.

Algoritmen extraherade också ett kontos PGP -nyckel - en unik kodbit som gör det möjligt för köpare att kryptera och autentisera kommunikation med säljare. Även om tidigare studier har använt PGP -nycklar för att matcha konton med säljare, Tai's studie kombinerade den med de egenskaper som beskrivs ovan för mer exakt matchning.

Till exempel, algoritmen upptäckte en samling konton som hade samma PGP -nyckel, men märkte dem alla som drivs av olika säljare eftersom annan information i dessa konton var så olika. Det visade sig att den nederländska nationella polisen hade beslagtagit dessa konton och bokfört samma PGP -nyckel för dem alla; om någon försökte kommunicera med säljarens konto, polisen skulle kunna dekryptera den.

"Om vi ​​bara skulle använda PGP -nycklar för att matcha konton, vi skulle ha trott att alla tillhör samma person, "Sa Tai." Men faktiskt, modellen försäkrade oss om att de inte var desamma. "

Ofta, Tai sa, konton skulle efterlikna andra konton som drivs av olika säljare genom att använda liknande textstycken i deras profil. Efterbildning skulle tillåta ett konto att pigga tillbaka på annans goda rykte som säljare.

"I ett fall, en kontoprofil läst, 'Det finns ett konto där ute som påstår sig vara oss, men de efterliknar oss bara, '"Sa Tai." Med hjälp av andra uppgifter än bara profiltexten, modellen kunde avgöra vilka konton som tillhör olika säljare. "

I slutet, Tai sa, ett av de viktigaste målen för brottsbekämpning är att lära sig vilka människor som står bakom dessa konton, och matchningsalgoritmen är ett steg mot att uppnå det målet.

"När du kan fånga olika delar av information från olika konton och säga att de tillhör samma person, "Sa Tai, "... då kan du kombinera all denna information för att generera undersökande leads."