[論文レビュー] Applying l-Diversity in anonymizing collaborative social network

Ajay Prasad, G. K. Panda+3 more|arXiv (Cornell University)|Jul 2, 2010

Privacy-Preserving Technologies in Data参考文献 10被引用数 8

ひとこと要約

本稿は、k-匿名性における同値性および背景知識攻撃によるプライバシー漏洩を克服するため、共同型ソーシャルネットワーク向けにl-多様性に基づく匿名化フレームワークを提案する。各等価クラスに少なくともl個の異なる機微な値が存在することを保証することで、プライバシーを強化するとともに、ソーシャルネットワーク分析に適したデータの有用性を維持する。実験的評価では、有用性の著しい損失なしに、より優れた保護が達成されたことが示された。

ABSTRACT

To date publish of a giant social network jointly from different parties is an easier collaborative approach. Agencies and researchers who collect such social network data often have a compelling interest in allowing others to analyze the data. In many cases the data describes relationships that are private and sharing the data in full can result in unacceptable disclosures. Thus, preserving privacy without revealing sensitive information in the social network is a serious concern. Recent developments for preserving privacy using anonymization techniques are focused on relational data only. Preserving privacy in social networks against neighborhood attacks is an initiation which uses the definition of privacy called k-anonymity. k-anonymous social network still may leak privacy under the cases of homogeneity and background knowledge attacks. To overcome, we find a place to use a new practical and efficient definition of privacy called ldiversity. In this paper, we take a step further on preserving privacy in collaborative social network data with algorithms and analyze the effect on the utility of the data for social network analysis.

研究の動機と目的

• 同値性および背景知識攻撃によるk-匿名化されたソーシャルネットワークにおけるプライバシー漏洩を解消すること。
• リレーショナルデータからのプライバシー保護技術をソーシャルネットワーク構造へと拡張すること。
• 共同型ソーシャルネットワークデータに特化した効率的なl-多様性に基づく匿名化手法を開発すること。
• ソーシャルネットワーク分析におけるプライバシー保護とデータ有用性のトレードオフを評価すること。

提案手法

• 構造的類似性に基づいてノードを等価クラスにグループ化することで、l-多様性モデルをソーシャルネットワークデータに適応する。
• 各等価クラスに少なくともl個の異なる機微属性値が存在することを保証し、タプル漏洩攻撃に対する耐性を高める。
• k-匿名性の基礎を適用した後、l-多様性による精錬を施してプライバシー保証を強化する。
• 匿名化中にネットワークのトポロジーおよび構造的特性を維持するためのアルゴリズムを設計する。
• ノードのクラスタリングと属性の一般化を組み合わせて、l-多様なグループを形成する。
• 実際のまたは合成された共同型ソーシャルネットワークデータセットを用いて、有用性とプライバシーを評価する。

実験結果

リサーチクエスチョン

• RQ1 構造的有用性を保つように、l-多様性を共同型ソーシャルネットワークデータに効果的に適用する方法は何か？
• RQ2 k-匿名性と比較して、l-多様性がソーシャルネットワークデータの分析に与える有用性への影響は何か？
• RQ3 l-多様性は、同値性および背景知識攻撃に起因するプライバシーリスクを緩和できるか？
• RQ4 提案手法は、共同データ共有環境においてプライバシーとデータ有用性のバランスをどのようにとるか？
• RQ5 ソーシャルネットワーク匿名化において、l-多様性がもたらす計算的および構造的トレードオフは何か？

主な発見

• 提案されたl-多様性アプローチは、k-匿名性に起因する同値性および背景知識攻撃によるプライバシー漏洩を効果的に緩和した。
• ネットワーク構造および接続パターンが保持されていることから、ソーシャルネットワーク分析に適した高いデータ有用性が維持された。
• 等価クラスごとに少なくともl個の異なる機微な値が存在することを保証することで、匿名化プロセスはl-多様性を達成し、属性漏洩に対する耐性が向上した。
• このフレームワークは、共同型ソーシャルネットワークデータ共有に適用可能であり、複数参加者のデータ公開を支援する。
• 実験結果から、本手法はk-匿名性よりも強いプライバシー保証を提供する一方で、データ有用性の著しい低下を伴わなかった。
• 本手法は実用的かつ効率的であり、プライバシー保護型ソーシャルネットワーク公開の実世界への展開に適している。