[논문 리뷰] Attack Tolerance of Link Prediction Algorithms: How to Hide Your Relations in a Social Network

Marcin Waniek, Kai Zhou외 4명|arXiv (Cornell University)|2018. 09. 01.

Complex Network Analysis Techniques참고 문헌 37인용 수 11

한 줄 요약

이 논문은 개인이 링크 예측 알고리즘으로부터 탐지되는 것을 피하기 위해 국소 네트워크 연결을 전략적으로 재구성하는 방법을 조사하며, 링크 예측의 효과성을 크게 감소시키는 두 가지 실용적 히وري스틱스—CTR(에지 제거)와 OTC(에지 추가)—를 제안한다. CTR는 관계를 숨기는 데 OTC보다 뛰어나며, 링크 예측 알고리즘의 공격 내성은 네트워크 크기가 클수록 증가하지만 평균 차수는 높아질수록 감소한다.

ABSTRACT

Link prediction is one of the fundamental research problems in network analysis. Intuitively, it involves identifying the edges that are most likely to be added to a given network, or the edges that appear to be missing from the network when in fact they are present. Various algorithms have been proposed to solve this problem over the past decades. For all their benefits, such algorithms raise serious privacy concerns, as they could be used to expose a connection between two individuals who wish to keep their relationship private. With this in mind, we investigate the ability of such individuals to evade link prediction algorithms. More precisely, we study their ability to strategically alter their connections so as to increase the probability that some of their connections remain unidentified by link prediction algorithms. We formalize this question as an optimization problem, and prove that finding an optimal solution is NP-complete. Despite this hardness, we show that the situation is not bleak in practice. In particular, we propose two heuristics that can easily be applied by members of the general public on existing social media. We demonstrate the effectiveness of those heuristics on a wide variety of networks and against a plethora of link prediction algorithms.

연구 동기 및 목표

• 소셜 네트워크에서 숨겨진 또는 비공개 관계를 드러낼 수 있는 링크 예측 알고리즘으로 인한 프라이버시 위험을 해결하기 위해.
• 개인이 링크 예측 알고리즘에 의해 탐지될 가능성을 줄이기 위해 국소 네트워크 구조를 전략적으로 수정할 수 있는 방법을 조사하기 위해.
• 프라이버시 보존 네트워크 재구성에 대한 실용적 히وري스틱스의 효과성과 계산 가능성을 평가하기 위해.
• 특히 네트워크 크기와 평균 차수와 같은 네트워크 토폴로지가 링크 예측 알고리즘의 회피 전략에 대한 내성에 미치는 영향을 분석하기 위해.

제안 방법

• 링크 예측을 회피하는 문제를 NP-완전 최적화 과제로 수식화하여 최적의 회피에 대한 이론적 한계를 설정한다.
• 두 가지 실용적 히وري스틱스를 제안한다: CTR(Controlled Topology Removal), 사용자의 주변에서 전략적 에지를 제거하고, OTC(Optimal Topology Construction), 목표 링크를 은폐하기 위해 새로운 에지를 추가한다.
• 히وري스틱스의 성능을 평가하기 위해 표준 링크 예측 유사도 지표(예: 자카르드, 아다믹-아다르, 선호적 연결)를 사용한다.
• 실제 및 합성 네트워크(소셜, 통신, 생물학적 네트워크 포함)에 대해 히وري스틱스를 경험적으로 평가한다.
• 표준 메트릭인 AUC(ROC 곡선 아래 면적)과 AP(평균 정밀도)를 사용해 성능을 측정하며, 결과는 50회 반복 평균과 95% 신뢰구간을 기반으로 한다.
• 대규모 네트워크(최대 100,000개 노드)에서의 런타임 확장성 분석을 수행하며, 스케일프리, 스몰월드, 에르되시-레니 반경 네트워크 모델에서 CTR와 OTC의 성능을 비교한다.

실험 결과

연구 질문

• RQ1 개인이 국소 네트워크 구조를 수정함으로써 링크 예측 알고리즘으로부터 특정 관계를 효과적으로 숨길 수 있는가?
• RQ2 에지 제거(CTR)와 에지 추가(OTC) 중 어느 히وري스틱스가 다양한 네트워크 유형에서 링크 예측을 회피하는 데 더 효과적인가?
• RQ3 링크 예측 알고리즘의 공격 내성은 네트워크 크기와 평균 차수에 따라 어떻게 변하는가?
• RQ4 제안된 히وري스틱스는 대규모 네트워크에서 계산적으로 얼마나 확장 가능한가?
• RQ5 에지 제거와 추가의 병합 전략이 회피 성능 향상에 상호보완적 효과를 낳는가?

주요 결과

• 링크 예측을 완전히 회피하기 위한 최적 해를 찾는 문제는 NP-완전임을 확인하여, 완벽한 회피의 이론적 비가능성을 입증한다.
• CTR 히وري스틱스(에지 제거)는 링크 예측 성능을 크게 감소시키며, 다양한 네트워크와 유사도 지표에서 AUC와 AP에 대해 최대 30% 감소를 기록한다.
• OTC 히وري스틱스(에지 추가)는 AUC에 대해 미미한 향상만 보이며 AP에 대해서는 의미 있는 향상이 없어, 관계 숨기기에는 약한 전략임을 시사한다.
• CTR와 OTC를 병합해도 상호보완적 향상이 발생하지 않으며, CTR 단독 사용과 유사한 결과를 보인다.
• CTR는 매우 확장 가능하며, 100,000개 노드의 네트워크에서도 런타임이 1밀리초 이내로 유지되지만, OTC의 런타임은 급격히 증가하여 동일 규모에서 거의 3시간에 이른다.
• 링크 예측 알고리즘의 공격 내성은 네트워크 크기가 클수록 증가하고, 평균 차수가 높아질수록 감소함을 확인하여, 더 크고 희박한 네트워크가 회피 전략에 더 강건함을 시사한다.