[論文レビュー] TrackMeNot-so-good-after-all

Rami Al‐Rfou, William Jannen+1 more|arXiv (Cornell University)|Nov 1, 2012

Web Data Mining and Analysis参考文献 1被引用数 9

ひとこと要約

この論文は、ユーザーの検索パターンを隠蔽するためにランダムな検索クエリを生成するFirefoxプライバシープラグイン「TrackMeNot」の評価を行う。DISCOおよびGoogle正規化距離を用いた意味的クラスタリングを適用することで、TrackMeNotのノイズを部分的に解体でき、小さな時間窓内では本物のユーザークエリとTrackMeNotが生成したクエリを高い精度で区別できることを示している。これは、そのプライバシー的主張を損なうものである。

ABSTRACT

TrackMeNot is a Firefox plugin with laudable intentions - protecting your privacy. By issuing a customizable stream of random search queries on its users' behalf, TrackMeNot surmises that enough search noise will prevent its users' true query profiles from being discerned. However, we find that clustering queries by semantic relatedness allows us to disentangle a nontrivial subset of true user queries from TrackMeNot issued noise.

研究の動機と目的

• クエリの難読化を通じてユーザーの検索プライバシーを保護するTrackMeNotの有効性を評価すること。
• 意味的類似性分析が、TrackMeNotのノイズからユーザー検索クエリを再識別可能かどうかを調査すること。
• 異なる意味的距離測定法—DISCOとGoogle正規化距離—が、本物のユーザークエリとTrackMeNotが生成したクエリを区別する際の性能を評価すること。
• 時間的クラスタリングが、TrackMeNotのノイズ生成にもかかわらずユーザー行動を露呈するかどうかを検証すること。
• TrackMeNotが時間的および文脈的検索プライバシーを保持する上で抱える限界を検討すること。

提案手法

• ユーザーおよびTrackMeNotの両方のGoogle検索クエリを、クエリの発信元を区別できるカスタムプロキシサーバーを用いて、複数日間にわたり記録した。
• DISCOおよびGoogle正規化距離（GND）を用いて、クエリ間のペアワイズ類似度を測定する意味的類似度行列を計算した。
• 意味的関連性に基づいたクエリグループの可視化および分析のために、階層的クラスタリングを適用した。
• スライディングウィンドウ法を用いて、異なる時間間隔における分類性能を評価し、本物のユーザークエリを特定する際の精度を測定した。
• GNDを完全なクエリ文字列に適用した結果と、語彙レベルでの集約処理を比較したが、GNDは完全なクエリに対しては効果がなかった。
• データ収集中にクエリバーストおよび選択的クリックスルーを有効化し、現実的なブラウジング行動を模擬した。

実験結果

リサーチクエスチョン

• RQ1 意味的クラスタリング技術は、本物のユーザー検索クエリとTrackMeNotが生成するノイズを効果的に分離できるか？
• RQ2 時間窓のサイズが変化するにつれて、クエリ分類の性能はどのように変化するか？
• RQ3 DISCOとGoogle正規化距離のうち、どちらの意味的距離測定法が、クエリの発信元を区別する際により高い正確性を示すか？
• RQ4 なぜTrackMeNotは、より大きな時間窓ではクラスタリング攻撃に対して失敗するのか？
• RQ5 TrackMeNotのクエリ選択が文脈的および時間的整合性に欠けるために、プライバシー保証がどの程度損なわれるのか？

主な発見

• 小さな時間窓では、test.mおよびbill.mデータセットにおいて、本物のユーザークエリの分類が完全な適合率（precision = 1.0）を達成した。
• 窓サイズが大きくなるにつれて適合率が低下し、TrackMeNotのクエリリストカバレッジが時間経過とともに拡大することにより、クラスタリングに基づく再識別攻撃の効果が低下することが示された。
• 完全なクエリ文字列に適用した場合、Google正規化距離（GND）は意味的クラスタ構造を持たない均質な類似度行列を生成し、効果がなかった。
• 語彙単位で適用し、集約処理を施した場合、GNDはより効果的な意味的距離測定法としての可能性を示した。これは、クエリ表現の見直しが必要であることを示唆している。
• TrackMeNotのランダムなクエリ選択により、意味的に関連のないクエリが時間的に近接して発行されるため、短い時間間隔ではクラスタリングにより本物のユーザークエリを高い精度で分離できる。
• 本研究の結論として、TrackMeNotは、特に短い時間フレームでクエリが分析される場合、時間ベースのクラスタリング攻撃に対して保護できないことが判明した。これは、ノイズ生成における意味的整合性の不足に起因する。