[論文レビュー] You are your Metadata: Identification and Obfuscation of Social Media Users using Metadata Information

Beatrice Perez, Mirco Musolesi+1 more|arXiv (Cornell University)|Mar 27, 2018

Misinformation and Its Impacts被引用数 5

ひとこと要約

この論文は、投稿時刻、デバイスタイプ、相互作用パターンなどのメタデータのみを用いて、教師あり機械学習によりソーシャルメディア利用者のアイデンティティを正確に特定できることを示している。K-Nearest Neighborsモデルは、10,000人の中から1人のユーザーを96.7%の正確さで特定でき、上位10人の候補を考慮すると99.22%まで上昇する。また、偽装技術ですら、このリスクを有意義に低減できない。60%のデータが摂動させられても同様である。

ABSTRACT

Metadata are associated to most of the information we produce in our daily interactions and communication in the digital world. Yet, surprisingly, metadata are often still catergorized as non-sensitive. Indeed, in the past, researchers and practitioners have mainly focused on the problem of the identification of a user from the content of a message. In this paper, we use Twitter as a case study to quantify the uniqueness of the association between metadata and user identity and to understand the effectiveness of potential obfuscation strategies. More specifically, we analyze atomic fields in the metadata and systematically combine them in an effort to classify new tweets as belonging to an account using different machine learning algorithms of increasing complexity. We demonstrate that through the application of a supervised learning algorithm, we are able to identify any user in a group of 10,000 with approximately 96.7% accuracy. Moreover, if we broaden the scope of our search and consider the 10 most likely candidates we increase the accuracy of the model to 99.22%. We also found that data obfuscation is hard and ineffective for this type of data: even after perturbing 60% of the training data, it is still possible to classify users with an accuracy higher than 95%. These results have strong implications in terms of the design of metadata obfuscation strategies, for example for data set release, not only for Twitter, but, more generally, for most social media platforms.

研究の動機と目的

• メタデータのみでソーシャルメディア利用者のアイデンティティを一意に特定できるかどうかを調査すること。
• メタデータ特徴に基づいてユーザーを分類する機械学習モデルの有効性を評価すること。
• データの偽装戦略に対する識別能力の耐性を評価すること。
• オープンデータセットでメタデータを公開することに伴うプライバシーリスクを浮き彫りにすること。
• Twitterに限らず、さまざまなソーシャルメディアプラットフォームに適用可能なフレームワークを提供すること。

提案手法

• 本研究では、500万件のTwitterユーザーのコロナスを用い、投稿時刻、デバイスタイプ、相互作用頻度などの原子的メタデータフィールドを抽出・分析した。
• 複数の機械学習モデル—多項ロジスティック回帰、ランダムフォレスト、K-Nearest Neighbors—を用いて、ユーザーのメタデータパターンに基づいて分類を学習した。
• 特徴の組み合わせを体系的に評価し、どのメタデータの組み合わせが最も高い識別正確さをもたらすかを特定した。
• K-Nearest Neighbors分類器を主なモデルとして採用した。これは、大規模なグループにおけるユーザー識別において優れた性能を示したためである。
• 偽装は、訓練データの60%を摂動させることでテストした。これは匿名化を模擬したものであり、識別正確さの維持度を測定した。
• プライバシー漏洩リスクを評価するために、クリーンデータと偽装データの両方の設定でアプローチを評価した。

実験結果

リサーチクエスチョン

• RQ1 メッセージの内容にアクセスできない状況でも、メタデータのみからユーザーのアイデンティティを正確に推定できるか？
• RQ2 異なる機械学習モデルの性能は、メタデータに基づくユーザー識別においてどのように異なるか？
• RQ3 データの偽装は、メタデータによるユーザー再特定のリスクをどの程度低減できるか？
• RQ4 どのメタデータ特徴または組み合わせがユーザー識別に最も有益か？
• RQ5 単一の一致ではなく、上位N人の候補を考慮した場合、識別正確さはどのように変化するか？

主な発見

• K-Nearest Neighborsモデルは、メタデータのみを用いて10,000人のユーザーの中から1人のユーザーを96.7%の正確さで特定できた。
• 上位10人の候補者を考慮すると、識別正確さは99.22%まで上昇した。
• 60%の訓練データを偽装によって摂動させた後も、分類正確さは95%以上を維持しており、偽装がほとんど効果を示さないことが示された。
• 投稿時刻、デバイスタイプ、相互作用頻度といったメタデータの組み合わせは、非常に特徴的な行動シグネイチャを形成する。
• メタデータそのものが、高精度なユーザー識別に十分であるため、メタデータは非機密であるという仮定に疑問を呈する。
• 本研究の結果から、メタデータはデータ公開の際、主コンテンツと同等のプライバシー保護措置を講じるべきであると示唆される。