[論文レビュー] De-anonymization of Social Networks with Communities: When Quantifications Meet Algorithms

Luoyi Fu, Xinzhe Fu+3 more|arXiv (Cornell University)|Mar 27, 2017

Privacy-Preserving Technologies in Data参考文献 14被引用数 19

ひとこと要約

本稿では、コミュニティ構造を用いたソーシャルネットワークの脱匿名化のための、理論的裏付けのある新しいコスト関数を提案する。このコスト関数は、最大後確信度推定（MAP）を用いて導出され、正しいマッピング確率を最大化することを目的としている。2つのアルゴリズム（AA および CO）を提案し、近似の保証が理論的に証明されている。実際のクロスドメインネットワーク上での評価において、コミュニティ情報が両方のネットワークに存在する場合、最大80%の精度を達成し、優れた性能を示している。

ABSTRACT

A crucial privacy-driven issue nowadays is re-identifying anonymized social networks by mapping them to correlated cross-domain auxiliary networks. Prior works are typically based on modeling social networks as random graphs representing users and their relations, and subsequently quantify the quality of mappings through cost functions that are proposed without sufficient rationale. Also, it remains unknown how to algorithmically meet the demand of such quantifications, i.e., to find the minimizer of the cost functions. We address those concerns in a more realistic social network modeling parameterized by community structures that can be leveraged as side information for de-anonymization. By Maximum A Posteriori (MAP) estimation, our first contribution is new and well justified cost functions, which, when minimized, enjoy superiority to previous ones in finding the correct mapping with the highest probability. The feasibility of the cost functions is then for the first time algorithmically characterized. While proving the general multiplicative inapproximability, we are able to propose two algorithms, which, respectively, enjoy an ε-additive approximation and a conditional optimality in carrying out successful user re-identification. Our theoretical findings are empirically validated, with a notable dataset extracted from rare true cross-domain networks that reproduce genuine social network de-anonymization. Both theoretical and empirical observations also manifest the importance of community information in enhancing privacy inferencing.

研究の動機と目的

• 既存のコスト関数に理論的根拠が欠けている問題に対処し、確率的推論に基づく正当化を提供すること。
• ランダムグラフモデルよりもクラスタリング効果をより良く反映するコミュニティ構造を組み込むことで、現実のソーシャルネットワークをより正確にモデル化すること。
• 提案されたコスト関数の最適化問題のアルゴリズム的特性を同定し、実用的適用可能性を保証すること。
• 合成データを超えて、稀な実際のクロスドメインデータセットを用いた実証的検証により、本手法の頑健性と有効性を示すこと。

提案手法

• コミュニティ構造を捉えるために、スチュアティックブロックモデルを用いて元のソーシャルネットワークをモデル化し、脱匿名化のための補助情報として利用する。
• 最大後確信度推定（MAP）に基づく新しいコスト関数を導出することで、その最小化が最大後確信度を持つ正しいマッピングをもたらすことを保証する。
• 最適化問題の一般化された乗法的近似不能性を証明し、理論的ハードネスの境界を確立する。
• 緩和技術を用いて、ε加法的近似を達成するAA（近似アルゴリズム）と、条件的最適性を達成するCO（条件的最適性）の2つのアルゴリズムを提案する。
• ネットワークのトポロジーと候補マッピングを用いて、緩和と反復的精錬を用いて、コスト関数、構造、マッピングの複雑な相互作用を解消する。
• スチュアティックブロックモデルから抽出した合成ネットワークと、実世界のデータセット（共著者ネットワークを含む）の両方で手法を検証する。

実験結果

リサーチクエスチョン

• RQ1 社会的ネットワークの脱匿名化のためのコスト関数を、ヒューリスティック設計ではなく、確率的推論に基づいた厳密な根拠をもって導出可能か？
• RQ2 補助情報としてコミュニティ構造を組み込むことで、脱匿名化の精度と実現可能性にどのような影響を与えるか？
• RQ3 提案されたコスト関数によって誘発される最適化問題は、アルゴリズム的に特徴付け可能か？また、どのような近似保証を提供できるか？
• RQ4 提案されたアルゴリズムは、実世界のクロスドメインソーシャルネットワークにおいて、既存手法と比較してどのように性能を発揮するか？
• RQ5 特に初期マッピングシードが存在しない状況下で、コミュニティ情報は脱匿名化の精度をどの程度向上させるか？

主な発見

• 提案されたMAPベースのコスト関数は、やや厳しい条件下でも、その最小化が正しいマッピングを最大後確信度で得ることを保証するため、先行手法を上回る性能を示す。
• AAアルゴリズムは、実際のソーシャルネットワークのサンプルに対して最大80%の精度を達成し、スチュアティックブロックモデルに厳密に従わないネットワークに対しても強い頑健性を示している。
• 実際のクロスドメイン共著者ネットワークでは、AAアルゴリズムは二重側（bilateral）ケースで60.8%、単一側（unilateral）ケースで51.5%のノードを正しく脱匿名化し、実用的有効性を確認した。
• COアルゴリズムは安定性が低く、あらゆるシナリオで標準偏差が3.5%以上に達しており、ネットワーク構造の変化に対してより感受性が高いことが示された。
• 二重側と単一側の脱匿名化の精度差は最小3.5%以上で、最大15%に達しており、実証的にコミュニティ情報が脱匿名化成功に果たす重要性を裏付けた。
• スチュアティックブロックモデルから生成されていない実際のネットワークに対しても、提案されたコスト関数は有効であるため、理想化された仮定を超えて一般化可能であることが示された。