[論文レビュー] How To Break Anonymity of the Netflix Prize Dataset

Arvind Narayanan, Vitaly Shmatikov|ArXiv.org|Oct 18, 2006

Privacy-Preserving Technologies in Data参考文献 19被引用数 270

ひとこと要約

本論文は、外部の情報源（例：IMDb）から得られる最小限の背景知識のみを用いて、高次元で匿名化されたマイクロデータ（具体的にはNetflix Prizeデータセット）に含まれる個人を再識別する、頑健な統計的脱匿名化攻撃を提示する。この手法は、わずか5〜10件の既知のレーティングまたは視聴日付のみで、データのばらつきやノイズのある背景知識がある状況下でも、高い信頼性でユーザーを脱匿名化でき、政治的・宗教的見解などの感受性の高い属性を露呈する。

ABSTRACT

We present a new class of statistical de-anonymization attacks against high-dimensional micro-data, such as individual preferences, recommendations, transaction records and so on. Our techniques are robust to perturbation in the data and tolerate some mistakes in the adversary's background knowledge. We apply our de-anonymization methodology to the Netflix Prize dataset, which contains anonymous movie ratings of 500,000 subscribers of Netflix, the world's largest online movie rental service. We demonstrate that an adversary who knows only a little bit about an individual subscriber can easily identify this subscriber's record in the dataset. Using the Internet Movie Database as the source of background knowledge, we successfully identified the Netflix records of known users, uncovering their apparent political preferences and other potentially sensitive information.

研究の動機と目的

• 最小限かつ不正確な背景知識のもとで動作する、高次元匿名データセット向けの一般化され、頑健な脱匿名化フレームワークの開発。
• 映画評価のようなスパarsな高次元データにおいて、k-匿名性や類似保護メカニズムがプライバシーを十分に確保できないことの実証。
• 公開済みのユーザーデータのわずかな割合（例：IMDbから）が、匿名化データセット内の個人を再識別するために利用可能であることを示すこと。
• 特に感受性の高い属性が再識別されたレコードに関連付けられている場合に、公開マイクロデータのリークリスクを定量化すること。
• 直接識別子を削除すればプライバシーが保証されるという仮定に反論し、統計的相関によって再識別が可能であることを示すこと。

提案手法

• 本手法は、候補レコードがターゲットの背景知識に対して「中心性（eccentricity）」を計算することで、誤検出を最小限に抑える統計的マッチングアルゴリズムを用いる。
• 匿名化データセットを高次元スパース空間としてモデル化し、既知の属性（例：映画評価、日付）間のハミング距離またはコサイン類似度を用いて最も近いマッチングを特定する。
• 背景知識に誤差が含まれても耐性を持つ：最大14日間の日付誤差、近似評価、欠損または誤ったデータポイントを許容する。
• k-匿名性と同様の手法とは異なり、事前に属性を準識別子と感受性の高い属性に分類する必要がないため、より広範なデータタイプに適用可能である。
• 現実世界のデータのスパarsity（スパarsity）に着目し、多くの属性を共有するレコードが少ないことから、最小限の背景知識で一意のマッチングが得られやすくなる。
• 誤検出率が極めて低い統計的有意性を持つ確率的モデルを用いることで、元のデータセットの一部が公開された場合でも、マッチングが信頼できるものとなる。

実験結果

リサーチクエスチョン

• RQ1 外部ソースからのわずかな背景知識のみを用いて、大規模な匿名化データセット内の個人を再識別できるか？
• RQ2 背景知識がノイズだらけ、近似値、部分的に誤りを含んでも、脱匿名化はどの程度頑健か？
• RQ3 データのばらつきやデータ洗浄処理によって、高次元マイクロデータにおける再識別がどの程度防げるか？
• RQ4 レコードが脱匿名化された後、感受性の高い属性（例：政治的立場、宗教的見解）を推定できるか？
• RQ5 映画評価のような現実世界のデータセットのスパarsity（スパarsity）は、匿名化があっても、本質的に脱匿名化に対して脆弱であると言えるか？

主な発見

• 脱匿名化アルゴリズムは、IMDbデータから2名のNetflixユーザーを、それぞれ中心性スコア28および15標準偏差という極めて強いマッチングで正しく特定した。
• テストされたほぼすべてのIMDbユーザーについて、マッチングの中心性は2未満であったため、強いマッチングが存在する場合には、アルゴリズムが信頼性高く正しいレコードを特定できた。
• 本手法は、Netflixデータセット内のユーザーのレコードを、わずか5〜10件の既知の属性（例：映画評価、視聴日付）で高い信頼性で一意に特定できた。
• 背景知識に誤差（±14日間の日付誤差、近似評価など）が含まれても、アルゴリズムは依然として有効であった。
• 研究では、公開されていない属性である政治的傾向、宗教的見解、ライフスタイルの好みなど、感受性の高い属性が、脱匿名化されたレコードから推定可能であることが明らかになった。
• 結果として、k-匿名性や類似保護手法が、Netflix Prizeデータセットのような高次元かつスパースなデータセットでは根本的に不十分であることが示された。