[논문 리뷰] On the Simultaneous Preservation of Privacy and Community Structure in Anonymized Networks

Daniel Cullina, Kushagra Singhal외 2명|arXiv (Cornell University)|2016. 03. 25.

Privacy-Preserving Technologies in Data참고 문헌 3인용 수 6

한 줄 요약

이 논문은 간선 부분 샘플링 하에서 네트워크의 정확한 디애너노미마이제이션에 대한 정보이론적 역설을 수립하며, 부분 샘플링 임계값이 0.7 이하일 경우 프라이버시와 커뮤니티 구조를 동시에 유지할 수 있음을 보여준다. 강한 보조 상관관계가 존재하더라도 특정 희박성 및 상관관계 조건 하에서는 완전한 디애너노미마이제이션이 불가능해지며, 이는 사용자 정체성을 보호하면서도 안전한 커뮤니티 탐지가 가능함을 의미한다.

ABSTRACT

We consider the problem of performing community detection on a network, while maintaining privacy, assuming that the adversary has access to an auxiliary correlated network. We ask the question "Does there exist a regime where the network cannot be deanonymized perfectly, yet the community structure could be learned?." To answer this question, we derive information theoretic converses for the perfect deanonymization problem using the Stochastic Block Model and edge sub-sampling. We also provide an almost tight achievability result for perfect deanonymization. We also evaluate the performance of percolation based deanonymization algorithm on Stochastic Block Model data-sets that satisfy the conditions of our converse. Although our converse applies to exact deanonymization, the algorithm fails drastically when the conditions of the converse are met. Additionally, we study the effect of edge sub-sampling on the community structure of a real world dataset. Results show that the dataset falls under the purview of the idea of this paper. There results suggest that it may be possible to prove stronger partial deanonymizability converses, which would enable better privacy guarantees.

연구 동기 및 목표

• 익명화된 네트워크에서 사용자 프라이버시를 훼손하지 않은 채 커뮤니티 탐지가 가능한지 조사하는 것.
• 완전한 디애너노미마이제이션이 저지르지 않지만 구조적 유용성은 유지되는 영역이 존재하는지 규명하는 것.
• 스토하스틱 블록 모델과 간선 부분 샘플링을 사용하여 디애너노미마이제이션의 정보이론적 한계를 수립하는 것.
• 이론적 조건 하에서 퍼콜레이션 기반 디애너노미마이제이션 알고리즘의 강건성을 평가하는 것.
• 실제 네트워크 데이터(Facebook)를 분석하여 이론적 결과의 유용성-프라이버시 트레이드오프를 검증하는 것.

제안 방법

• 스토하스틱 블록 모델(SBM)과 간선 부분 샘플링을 사용하여 정확한 디애너노미마이제이션에 대한 정보이론적 역설을 유도한다.
• 상관관계 및 희박성 매개변수에 기반하여 디애너노미마이제이션 불가능성에 대한 거의 정확한 임계값을 수립한다.
• 분석의 핵심 구조적 요소로 보조 네트워크(G1)와 민감성 네트워크(G2)의 교차 그래프를 사용한다.
• 이론적 조건 하에서 가능성을 시험하기 위해 다양한 시드 임계값(r=2,3,4)을 갖는 퍼콜레이션 기반 디애너노미마이제이션 알고리즘을 적용한다.
• 실제 Facebook 데이터에 간선 부분 샘플링을 적용하여 커뮤니티 구조 유지 및 디애너노미마이제이션 저항성 평가를 수행한다.
• 커뮤니티 유지도는 재현율 지수(Jaccard index)와 디애너노미마이제이션 오차율을 측정하여 실증 성능를 검증한다.

실험 결과

연구 질문

• RQ1 완전한 디애너노미마이제이션이 불가능하지만 신뢰할 수 있는 커뮤니티 탐지가 가능한 매개변수 영역이 존재하는가?
• RQ2 간선 부분 샘플링과 보조 네트워크 상관관계 하에서 디애너노미마이제이션의 기본 한계는 무엇인가?
• RQ3 간선 부분 샘플링은 실세계 네트워크에서 커뮤니티 구조 유지에 어떤 영향을 미치는가?
• RQ4 이론적 불가능 조건이 충족되었을 때 퍼콜레이션 기반 디애너노미마이제이션 알고리즘이 얼마나 실패하는가?
• RQ5 더 강력한 부분 디애너노미마이제이션 역설을 유도하여 프라이버시 보장을 향상시킬 수 있는가?

주요 결과

• t=0.7로 간선 부분 샘플링 시 페이스북 네트워크에서 커뮤니티 구조의 90% 이상이 유지되며, 다섯 개의 가장 큰 커뮤니티의 재현율 지수는 95%를 초과한다.
• t≤0.7일 경우 모든 시드 임계값(r=2,3,4)에서 디애너노미마이제이션 오차율이 75%를 초과하여 강력한 프라이버시 보호를 나타낸다.
• 정보이론적 역설의 조건이 충족되었음에도 불구하고, 퍼콜레이션 기반 디애너노미마이제이션 알고리즘이 극적으로 실패한다.
• 정확한 디애너노미마이제이션이 불가능하지만 커뮤니티 구조가 복원 가능한 비어 있지 않은 매개변수 공간을 규명하였다.
• 더 강력한 부분 디애너노미마이제이션 역설이 증명 가능할 수 있으며, 이는 실생활에서 더 나은 프라이버시 보장을 가능하게 한다.
• G1과 G2의 교차 그래프는 디애너노미마이제이션 가능성을 제어하는 데 핵심적인 역할을 하며, 이는 이전 알고리즘 분석과 일치한다.