[論文レビュー] On the Simultaneous Preservation of Privacy and Community Structure in Anonymized Networks

Daniel Cullina, Kushagra Singhal+2 more|arXiv (Cornell University)|Mar 25, 2016

Privacy-Preserving Technologies in Data参考文献 3被引用数 6

ひとこと要約

本稿は、エッジ部分抽出下でのネットワークの正確なデアノニマス化に対する情報理論的逆問題を確立し、部分抽出閾値が0.7未満である場合、プライバシーとコミュニティ構造を同時に保持できることを示している。強い補助相関が存在しても、特定のスパarsityおよび相関条件の下では完全なデアノニマス化が不可能になることが示され、ユーザーのアイデンティティを保護しながら安全にコミュニティ検出が可能になる。

ABSTRACT

We consider the problem of performing community detection on a network, while maintaining privacy, assuming that the adversary has access to an auxiliary correlated network. We ask the question "Does there exist a regime where the network cannot be deanonymized perfectly, yet the community structure could be learned?." To answer this question, we derive information theoretic converses for the perfect deanonymization problem using the Stochastic Block Model and edge sub-sampling. We also provide an almost tight achievability result for perfect deanonymization. We also evaluate the performance of percolation based deanonymization algorithm on Stochastic Block Model data-sets that satisfy the conditions of our converse. Although our converse applies to exact deanonymization, the algorithm fails drastically when the conditions of the converse are met. Additionally, we study the effect of edge sub-sampling on the community structure of a real world dataset. Results show that the dataset falls under the purview of the idea of this paper. There results suggest that it may be possible to prove stronger partial deanonymizability converses, which would enable better privacy guarantees.

研究の動機と目的

• 匿名化ネットワークにおいて、ユーザーのプライバシーを損なわずコミュニティ検出が可能かどうかを調査すること。
• 完全なデアノニマス化に耐えうるが構造的有用性を保持する領域が存在するかを特定すること。
• 確率的ブロックモデル（SBM）とエッジ部分抽出を用いて、デアノニマス化の情報理論的限界を確立すること。
• 理論的条件下での、パーコレーションベースのデアノニマス化アルゴリズムのロバストネスを評価すること。
• 実世界のネットワークデータ（Facebook）を分析し、理論的有用性-プライバシーのトレードオフを実証的に検証すること。

提案手法

• 確率的ブロックモデル（SBM）とエッジ部分抽出を用いて、正確なデアノニマス化に対する情報理論的逆問題を導出する。
• 相関およびスパarsityパラメータに基づき、デアノニマス化の不可能性に近い鋭い閾値を確立する。
• 分析の主要構造的要素として、補助ネットワーク（G1）と感受性ネットワーク（G2）のインターセクショングラフを用いる。
• 種の閾値（r=2,3,4）を変化させたパーコレーションベースのデアノニマス化アルゴリズムを用い、理論的条件下での実現可能性を検証する。
• 実世界のFacebookデータにエッジ部分抽出を適用し、コミュニティ構造の保持およびデアノニマス化耐性を評価する。
• コミュニティ保存度をジャカード係数およびデアノニマス化の誤差率で測定し、実効性を実証的に検証する。

実験結果

リサーチクエスチョン

• RQ1 ネットワークが完全にデアノニマス化不可能であるが、同時に信頼性のあるコミュニティ検出が可能なパラメータ領域が存在するか？
• RQ2 エッジ部分抽出および補助ネットワーク相関の下で、デアノニマス化の根本的限界は何か？
• RQ3 エッジ部分抽出は、実世界のネットワークにおけるコミュニティ構造の保持にどのように影響するか？
• RQ4 理論的不可能性条件が満たされた場合、パーコレーションベースのデアノニマス化アルゴリズムはどの程度失敗するか？
• RQ5 より強い部分的デアノニマス化の逆問題を導出することで、実用的なプライバシー保証を向上させられるか？

主な発見

• エッジ部分抽出をt=0.7にすることで、Facebookネットワークにおけるコミュニティ構造の90%以上が保持され、5つの最大コミュニティのジャカード係数が95%を超える。
• t≤0.7の範囲では、すべての種の閾値（r=2,3,4）においてデアノニマス化の誤差率が75%を超えるため、強いプライバシー保護が達成されている。
• 情報理論的逆問題の条件が満たされた場合でさえ、パーコレーションベースのデアノニマス化アルゴリズムは著しく失敗するが、理論的には実現可能である。
• 正確なデアノニマス化が不可能であるが、コミュニティ構造が回復可能である非空のパラメータ空間が同定された。
• より強い部分的デアノニマス化の逆問題が証明可能である可能性が示唆され、実用的プライバシー保証の向上が期待される。
• G1とG2のインターセクショングラフは、デアノニマス化の実現可能性を制御する上で根本的な役割を果たしており、先行するアルゴリズム的解析と整合的である。