[논문 리뷰] Privacy in Social Media: Identification, Mitigation and Applications

Ghazaleh Beigi, Huan Liu|arXiv (Cornell University)|2018. 08. 07.

Privacy-Preserving Technologies in Data참고 문헌 169인용 수 23

한 줄 요약

이 종합적 서베이는 신원 및 속성 유출 공격에 초점을 맞춰 소셜 미디어의 프라이버시 위험을 종합적으로 분석한다. 최신 익명화 기법을 검토하고, 기존 연구를 다섯 분야—그래프 데이터, 저자 식별, 프로필 속성, 위치 프라이버시, 추천 시스템—으로 분류하며, 특히 텍스트, 시공간적, 이질적 데이터에 대한 방어 메커니즘의 핵심 격차를 규명한다.

ABSTRACT

The increasing popularity of social media has attracted a huge number of people to participate in numerous activities on a daily basis. This results in tremendous amounts of rich user-generated data. This data provides opportunities for researchers and service providers to study and better understand users' behaviors and further improve the quality of the personalized services. Publishing user-generated data risks exposing individuals' privacy. Users privacy in social media is an emerging task and has attracted increasing attention in recent years. These works study privacy issues in social media from the two different points of views: identification of vulnerabilities, and mitigation of privacy risks. Recent research has shown the vulnerability of user-generated data against the two general types of attacks, identity disclosure and attribute disclosure. These privacy issues mandate social media data publishers to protect users' privacy by sanitizing user-generated data before publishing it. Consequently, various protection techniques have been proposed to anonymize user-generated social media data. There is a vast literature on privacy of users in social media from many perspectives. In this survey, we review the key achievements of user privacy in social media. In particular, we review and compare the state-of-the-art algorithms in terms of the privacy leakage attacks and anonymization algorithms. We overview the privacy risks from different aspects of social media and categorize the relevant works into five groups 1) graph data anonymization and de-anonymization, 2) author identification, 3) profile attribute disclosure, 4) user location and privacy, and 5) recommender systems and privacy issues. We also discuss open problems and future research directions for user privacy issues in social media.

연구 동기 및 목표

• 사용자가 생성한 소셜 미디어 데이터에 대한 기존 프라이버시 보호 기법을 체계적으로 검토하고 비교하는 것.
• 다섯 핵심 분야—그래프 데이터, 저자 식별, 프로필 속성, 위치 프라이버시, 추천 시스템—에서 프라이버시 위험을 식별하고 분류하는 것.
• 프라이버시 하위 분야 간 연구 발전의 불균형과 새로운 공격에 대비한 효과적인 방어 메커니즘 부족을 부각하는 것.
• 텍스트, 시공간적, 이질적 소셜 미디어 데이터에서의 프라이버시 보호를 위한 향후 연구 방향을 제안하는 것.
• 실제 소셜 미디어 플랫폼에서 익명화 방어와 탈익명화 공격 사이의 핵심 격차를 해소하는 것.

제안 방법

• 데이터 유형과 프라이버시 위험에 기반해 기존 연구를 다섯 주제 영역—그래프 데이터 익명화, 저자 식별, 프로필 속성 유출, 사용자 위치 프라이버시, 추천 시스템 프라이버시—으로 분류하는 것.
• 신원 및 속성 유출 위험을 완화하기 위해 설계된 최신 익명화 알고리즘을 검토하고 비교하는 것.
• 넷플릭스 프라이즈 공격과 같은 탈익명화 공격을 분석하여, 직접 식별자(People-Identifiable Information, PII)를 제거한다고 해서 충분하지 않으며, 데이터 패턴을 통한 구조적 재식별이 가능하다는 것을 입증하는 것.
• 텍스트 및 그래프와 같은 데이터 요소를 별도로 익명화하는 것의 한계를 평가하고, 이질적 데이터가 고립적으로 처리된다고 가정하는 것의 문제를 제기하는 것.
• 텍스트와 위치 등 이질적 데이터 구성 요소 간 상호의존성을 고려한 향후 익명화 기법을 위한 프레임워크를 제안하는 것.
• 개방된 문제를 규명하여, 프로필 속성 유추에 대한 방어 메커니즘 부족과 시공간 데이터에서의 시간적 프라이버시 보호 부족을 밝혀내는 것.

실험 결과

연구 질문

• RQ1 소셜 미디어에서 주로 발생하는 프라이버시 공격 유형은 무엇이며, 신원 유출과 속성 유출 간의 차이는 무엇인가?
• RQ2 왜 전통적인 PII 제거 방법은 소셜 미디어 데이터에서 사용자 프라이버시를 보호하는 데 부족한가?
• RQ3 탈익명화 공격은 사용자가 생성한 데이터의 구조적 및 행동 패턴을 어떻게 악용하는가?
• RQ4 특히 텍스트, 그래프, 시공간 정보를 융합할 경우, 이질적 소셜 미디어 데이터에서의 프라이버시 보호에 있어 핵심 과제는 무엇인가?
• RQ5 현대 소셜 미디어 플랫폼에서 효과적이고 기능을 유지하는 익명화 기법을 개발하기 위한 가장 시급한 열린 연구 문제는 무엇인가?

주요 결과

• 넷플릭스 프라이즈 공격를 통해 입증되었듯이, 직접 식별자를 제거하는 전통적 익명화 방법은 부족하며, 사용자 행동 패턴을 통해 재식별이 가능하다.
• 직접 식별자가 제거된 상태에서도 그래프 구조와 사용자 행동 패턴만으로도 탈익명화가 가능하다.
• 나이, 위치, 신뢰 관계와 같은 프로필 속성은 간접 신호를 통해 추론될 수 있으며, 이는 중대한 프라이버시 위험을 초래한다.
• 특히 텍스트 및 프로필 데이터에 대한 속성 유출 공격에 대한 방어 메커니즘이 상당히 부족하다.
• 텍스트와 그래프와 같은 데이터 요소를 별도로 익명화하는 것은, 숨겨진 상호의존성이 존재해 탈익명화 공격에 악용될 수 있기 때문에 결함이 있다.
• 향후 연구는 이질적 소셜 미디어 데이터 구성 요소 간의 이질성과 상호관계를 고려한 통합 익명화 프레임워크 개발에 초점을 맞춰야 한다.