[논문 리뷰] Injecting Uncertainty in Graphs for Identity Obfuscation

Paolo Boldi, Francesco Bonchi외 2명|arXiv (Cornell University)|2012. 08. 21.

Privacy-Preserving Technologies in Data참고 문헌 31인용 수 7

한 줄 요약

이 논문은 사회적 네트워크에 미세한 정도의 불확실성을 주입함으로써 기존의 완전히 추가하거나 제거하는 엣지 수정 방식 대신 엣지 존재 확률 값 p(e) ∈ [0,1]을 할당하는 새로운 그래프 익명화 방법을 제안한다. 부분적인 편향을 허용함으로써 기존의 무작위 편향 방법과 동일한 수준의 신원 익명화를 달성하지만, DBLP 및 플리커와 같은 실제 네트워크에서 검증된 바와 같이 훨씬 높은 데이터 유용성을 확보한다.

ABSTRACT

Data collected nowadays by social-networking applications create fascinating opportunities for building novel services, as well as expanding our understanding about social structures and their dynamics. Unfortunately, publishing social-network graphs is considered an ill-advised practice due to privacy concerns. To alleviate this problem, several anonymization methods have been proposed, aiming at reducing the risk of a privacy breach on the published data, while still allowing to analyze them and draw relevant conclusions. In this paper we introduce a new anonymization approach that is based on injecting uncertainty in social graphs and publishing the resulting uncertain graphs. While existing approaches obfuscate graph data by adding or removing edges entirely, we propose using a finer-grained perturbation that adds or removes edges partially: this way we can achieve the same desired level of obfuscation with smaller changes in the data, thus maintaining higher utility. Our experiments on real-world networks confirm that at the same level of identity obfuscation our method provides higher usefulness than existing randomized methods that publish standard graphs.

연구 동기 및 목표

• 사회적 네트워크 그래프 공개 시 개인정보 보호와 유용성의 상충 문제를 해결하기 위해.
• 기존의 익명화 방법이 이진 엣지 수정(추가/제거) 방식을 사용하는 데서 비롯되는 한계를 극복하기 위해.
• 불확실한 그래프를 위한 새로운 (k, ε)-익명화 모델을 체계화하기 위해.
• 더 미세한 수준의 편향이 동일한 개인정보 보호 수준을 확보하면서도 더 높은 데이터 유용성을 유지할 수 있음을 입증하기 위해.
• 실제 분석에 활용 가능한 효율적인 불확실한 그래프에서의 그래프 통계 계산을 가능하게 하기 위해.

제안 방법

• 각 엣지 e가 존재할 확률 p(e) ∈ [0,1]을 가진 확률적 그래프 모델을 제안한다.
• 도수 분포 유사성 기반으로 개인정보 보호 보장을 체계화하기 위해 (k, ε)-익명화 프레임워크를 도입한다.
• 원자적인 편향 연산으로서 엣지 확률 조정을 사용하여 부분적인 엣지 생성 또는 제거를 가능하게 한다.
• 유용성 평가를 위해 통계 유사도 측정 지표(예: 도수 분포, 클러스터링, 지름에서의 상대 오차)를 활용한다.
• 기존의 불확실한 그래프 쿼리 및 마이닝 기법을 적응하여 익명화된 그래프에서 통계를 효율적으로 계산한다.
• 실제 네트워크(DBLP, 플리커)에 이 방법을 적용하고, 무작위 편향 및 희소화 방법과의 유용성 비교를 수행한다.

실험 결과

연구 질문

• RQ1 같은 익명화 수준에서 부분적인 불확실성을 엣지에 주입하는 것이 전체 엣지 추가 또는 제거보다 더 높은 데이터 유용성을 달성할 수 있는가?
• RQ2 불확실한 그래프에 대해 개인정보 보장을 보장하는 공식적인 (k, ε)-익명화 모델을 어떻게 정의할 수 있는가?
• RQ3 불확실한 그래프에서 유용성을 측정하는 데 가장 효과적인 그래프 통계는 무엇인가?
• RQ4 불확실한 그래프에서 핵심 그래프 성질(예: 도수 분포, 클러스터링, 지름)을 효율적으로 계산하는 방법은 무엇인가?
• RQ5 실제 환경에서 제안된 방법이 기존의 무작위 편향 기법보다 뛰어난 성능을 보일 수 있는가?

주요 결과

• DBLP에서 k=60 및 ε≈10⁻³ 조건 하에 제안된 방법은 그래프 통계에서 상대 오차 4.3%를 기록했으며, 이는 무작위 편향(p=0.04) 대비 7.1%보다 낮은 수준이다.
• 플리커에서 k=20 및 ε≈10⁻⁴ 조건 하에, 방법은 상대 오차를 희소화 대비 92.1%에서 11.2%로 감소시켰다.
• 클러스터링, 지름, 도수 분포 등 모든 테스트 지표에서 제안된 방법은 무작위 편향 및 희소화 방법보다 더 높은 유용성을 유지했다.
• 더 작은 총 데이터 변화량으로도 동일한 수준의 익명화를 달성함으로써 더 미세한 수준의 편향이 유리함을 확인했다.
• 기존의 불확실한 그래프 쿼리 기법을 활용하여 불확실한 그래프에서의 그래프 통계 계산을 효율적으로 수행할 수 있었다.
• 실험 결과, 부분적인 엣지 확률 조정이 이진 엣지 수정 방식보다 원본 그래프와 더 높은 구조적 유사성을 유지함을 확인했다.