[論文レビュー] Profile Matching Across Unstructured Online Social Networks: Threats and Countermeasures

Anisa Halimi, Erman Ayday|arXiv (Cornell University)|Nov 6, 2017

Privacy-Preserving Technologies in Data参考文献 21被引用数 6

ひとこと要約

本論文は、グラフィカル構造に依存せず、公開済みの属性（ユーザー名、関心の類似性、感情の変動など）のみを用いて、非構造的オンラインソーシャルネットワーク（OSN）におけるユーザーのデアノニマイズを実現する機械学習および最適化ベースのプロファイルマッチングフレームワークを提案する。この手法は最大70％のマッチング精度を達成し、匿名OSNにおける顕著なプライバシーの脅威を示しており、プライバシーとプロファイルの有用性の最適化トレードオフに基づく、有用性を保全する対策を提案する。

ABSTRACT

In this work, we propose a profile matching (or deanonymization) attack for unstructured online social networks (OSNs) in which similarity in graphical structure cannot be used for profile matching. We consider different attributes that are publicly shared by users. Such attributes include both obvious identifiers such as the user name and non-obvious identifiers such as interest similarity or sentiment variation between different posts of a user in different platforms. We study the effect of using different combinations of these attributes to the profile matching in order to show the privacy threat in an extensive way. Our proposed framework mainly relies on machine learning techniques and optimization algorithms. We evaluate the proposed framework on two real-life datasets that are constructed by us. Our results indicate that profiles of the users in different OSNs can be matched with high probability by only using publicly shared attributes and without using the underlying graphical structure of the OSNs. We also propose possible countermeasures to mitigate this threat in the expense of reduction in the accuracy (or utility) of the attributes shared by the users. We formulate the tradeoff between the privacy and profile utility of the users as an optimization problem and show how slight changes in the profiles of the users would reduce the success of the attack. We believe that this work will be a valuable step to build a privacy-preserving tool for users against profile matching attacks between OSNs.

研究の動機と目的

• グラフィカル構造が存在しない、もしくは誤解を招く状況下における匿名OSNにおけるデアノニマイズリスクを定量化すること。
• 顕著でないユーザー属性（関心の類似性や感情パターンなど）がプロファイルマッチングにどの程度効果を発揮するかを調査すること。
• ネットワークトポロジーに依存しない、機械学習および最適化ベースのフレームワークを用いたプロファイルマッチングの構築。
• OSNにおけるプライバシーとプロファイルの有用性のバランスを取る対策を提案すること。
• 実世界のデータセットを用いてフレームワークを評価し、精度と再現率の面でベースライン手法を上回ることを示すこと。

提案手法

• 属性の類似性に基づいてプロファイルマッチを分類するため、線形回帰やサポートベクターマシンを含む機械学習モデルを用いる。
• プライバシーと有用性のトレードオフをモデル化する最適化アルゴリズムを採用し、デアノニマイズ成功確率を低下させる最小限のプロファイル変更を同定する。
• 分析対象の属性には、ユーザー名、場所、活動パターン、関心の類似性、投稿間での感情の変動が含まれる。
• 著者らが収集した2つの実データセットを用いて、標的型およびグローバルなデアノニマイズ攻撃を評価する。
• プライバシーと有用性のトレードオフを制約付き最適化問題として定式化し、ユーザーがプロファイルを変更することでデアノニマイズリスクを低減する手がかりを提供する。
• 非構造的OSNからの実データセットを用いてアプローチを検証し、マッチング精度および再現率の観点から性能を測定する。

実験結果

リサーチクエスチョン

• RQ1 非構造的OSNにおいて、グラフィカル構造に依存せず、公開可能な非グラフィカル属性のみを用いて、ユーザーのプロファイルをどの程度正確にマッチングできるか？
• RQ2 関心の類似性や感情の変動といった顕著でない識別子は、プロファイルマッチングの成功にどの程度寄与するか？
• RQ3 複数の属性を組み合わせることで、デアノニマイズ攻撃の正確性にどのような影響を与えるか？
• RQ4 ユーザーは、共有プロファイルの有用性を保ちながら、デアノニマイズリスクをどの程度まで低減できるか？
• RQ5 最適化ベースの対策は、ユーザーのプロファイル有用性への影響を最小限に抑えつつ、攻撃成功確率を効果的に低下させることができるか？

主な発見

• 非構造的OSNにおいて、グラフィカル構造に依存せず、公開済みの属性のみを用いても、最大70％の成功確率でプロファイルマッチングが達成可能である。
• 関心の類似性や感情の変動といった顕著でない識別子は、顕著な識別子が欠落している状況でも、マッチング精度を顕著に向上させる。
• 提案された機械学習フレームワークは、ベースライン手法を上回る精度を達成しながら、同等の再現率を維持している。
• 最適化ベースの対策は、ユーザーのプロファイルをわずかに変更するだけでデアノニマイズ成功確率を著しく低下させ、実用的なプライバシーと有用性のトレードオフを示している。
• フレームワークは標的型およびグローバルなデアノニマイズの両方のシナリオで有効であることが確認され、匿名OSNにおけるユーザーのプライバシーに対する広範な脅威を浮き彫りにしている。
• 結果から、最小限の属性変更でもプロファイルマッチングのリスクを顕著に低減できることを示しており、対策の実用性が裏付けられている。