[논문 리뷰] Profile Matching Across Unstructured Online Social Networks: Threats and Countermeasures

Anisa Halimi, Erman Ayday|arXiv (Cornell University)|2017. 11. 06.

Privacy-Preserving Technologies in Data참고 문헌 21인용 수 6

한 줄 요약

이 논문은 공개적으로 공유된 속성—예를 들어 사용자 이름, 관심사 유사도, 감성 변동성 등—만을 사용하여 구조가 없는 온라인 사회망에서 사용자를 디애너노미마이징하는 기계학습 및 최적화 기반의 프로파일 매칭 프레임워크를 제안한다. 이는 그래픽 구조에 의존하지 않는다. 이 방법은 최대 70%의 매칭 정확도를 달성하며, 익명의 OSN에서 심각한 개인정보 유출 위험을 드러내며, 프라이버시와 프로파일 유용성 간의 최적화 트레이드오프를 통한 유용성 유지 가능한 대응 조치를 제안한다.

ABSTRACT

In this work, we propose a profile matching (or deanonymization) attack for unstructured online social networks (OSNs) in which similarity in graphical structure cannot be used for profile matching. We consider different attributes that are publicly shared by users. Such attributes include both obvious identifiers such as the user name and non-obvious identifiers such as interest similarity or sentiment variation between different posts of a user in different platforms. We study the effect of using different combinations of these attributes to the profile matching in order to show the privacy threat in an extensive way. Our proposed framework mainly relies on machine learning techniques and optimization algorithms. We evaluate the proposed framework on two real-life datasets that are constructed by us. Our results indicate that profiles of the users in different OSNs can be matched with high probability by only using publicly shared attributes and without using the underlying graphical structure of the OSNs. We also propose possible countermeasures to mitigate this threat in the expense of reduction in the accuracy (or utility) of the attributes shared by the users. We formulate the tradeoff between the privacy and profile utility of the users as an optimization problem and show how slight changes in the profiles of the users would reduce the success of the attack. We believe that this work will be a valuable step to build a privacy-preserving tool for users against profile matching attacks between OSNs.

연구 동기 및 목표

• 그래픽 구조가 없거나 잘못된 정보를 제공하는 비구조적 OSN에서 디애너노미마이징 위험을 정량화하는 것.
• 눈에 띄지 않는 사용자 속성—예를 들어 관심사 유사도 및 감성 패턴—이 프로파일 매칭에 얼마나 효과적인지 조사하는 것.
• 네트워크 구조에 의존하지 않는 기계학습 및 최적화 기반의 프로파일 매칭 프레임워크를 개발하는 것.
• OSN에서 프라이버시와 프로파일 유용성 간 균형을 이루는 대응 조치를 제안하는 것.
• 실세계 데이터셋을 기반으로 프레임워크를 평가하고, 정밀도와 재현율 측면에서 기준 방법 대비 우월성을 입증하는 것.

제안 방법

• 속성 유사도를 기반으로 프로파일 매칭을 분류하기 위해 선형 회귀 및 서포트 벡터 머신을 포함한 기계학습 모델을 사용한다.
• 프라이버시와 유용성 간의 트레이드오프를 모델링하기 위해 최적화 알고리즘을 활용하며, 디애너노미마이징 성공률를 낮추는 데 필요한 최소한의 프로파일 수정을 식별한다.
• 분석된 속성은 사용자 이름, 위치, 활동 패턴, 관심사 유사도, 게시물 간 감성 변동성 등이다.
• 저자들이 수집한 두 개의 실세계 데이터셋을 기반으로 타겟 공격 및 글로벌 공격에 대한 디애너노미마이징 공격을 평가한다.
• 프라이버시-유용성 트레이드오프를 제약 조건이 있는 최적화 문제로 공식화하여, 사용자가 프로파일을 수정해 디애너노미마이징 위험을 줄이는 데 도움을 주는 지침을 제공한다.
• 비구조적 OSN에서의 실세계 데이터셋을 사용하여 접근 방식을 검증하며, 매칭 정확도 및 재현율 측면에서 성능을 측정한다.

실험 결과

연구 질문

• RQ1 비구조적 OSN에서 공개적으로 이용 가능한 비그래픽 속성만을 사용하여 사용자 프로파일을 얼마나 정확하게 매칭시킬 수 있는가?
• RQ2 관심사 유사도 및 감성 변동성과 같은 눈에 띄지 않는 식별자들이 프로파일 매칭 성공에 얼마나 기여하는가?
• RQ3 여러 속성을 결합할 경우 디애너노미마이징 공격의 정확도에 어떤 영향을 미치는가?
• RQ4 사용자가 공유하는 프로파일의 유용성을 유지하면서 디애너노미마이징 위험을 최소화하는 방법은 무엇인가?
• RQ5 최적화 기반의 대응 조치가 사용자 프로파일 유용성에 미치는 영향을 최소화하면서 공격 성공률를 효과적으로 낮출 수 있는가?

주요 결과

• 비구조적 OSN에서 그래픽 구조 없이도 공개적으로 공유된 속성만으로도 프로파일 매칭 성공률가 최대 70%에 이를 수 있다.
• 눈에 띄지 않는 식별자—예를 들어 관심사 유사도 및 감성 변동성—는 특히 명백한 식별자가 없는 경우 매칭 정확도를 크게 향상시킨다.
• 제안된 기계학습 프레임워크는 정밀도 측면에서 기준 방법을 능가하며, 재현율은 유사한 수준을 유지한다.
• 최적화 기반의 대응 조치는 사용자 프로파일을 약간 수정함으로써 디애너노미마이징 성공률를 효과적으로 낮추며, 실현 가능한 프라이버시-유용성 트레이드오프를 입증한다.
• 이 프레임워크는 타겟 공격 및 글로벌 공격 상황 모두에서 효과적이며, 익명의 OSN에서 사용자 프라이버시에 대한 광범위한 위협을 드러낸다.
• 결과는 조그만 속성 변경만으로도 프로파일 매칭 위험을 상당히 줄일 수 있음을 보여주며, 대응 조치의 실용성을 검증한다.