[논문 리뷰] Protecting User Privacy: An Approach for Untraceable Web Browsing History and Unambiguous User Profiles

Ghazaleh Beigi, Ruocheng Guo외 3명|arXiv (Cornell University)|2018. 11. 22.

Internet Traffic Analysis and Secure E-voting인용 수 10

한 줄 요약

이 논문은 PBooster를 제안하며, 친구들의 브라우징 이력에서 맥락적으로 관련성이 높은 링크를 지능적으로 오염시켜 웹 브라우징 이력의 사용자 익명성을 향상시키는 프라이버시 보장 프레임워크이다. 조정 가능한 트레이드오프 파라미터를 통해 프라이버시와 유틸리티의 균형을 이루며, 랜덤 오염 및 유틸리티 최적화 방법보다 탈익명화 공격에 대한 저항력과 서비스 개인화 정확도에서 뛰어난 성능을 발휘한다.

ABSTRACT

The overturning of the Internet Privacy Rules by the Federal Communications Commissions (FCC) in late March 2017 allows Internet Service Providers (ISPs) to collect, share and sell their customers' Web browsing data without their consent. With third-party trackers embedded on Web pages, this new rule has put user privacy under more risk. The need arises for users on their own to protect their Web browsing history from any potential adversaries. Although some available solutions such as Tor, VPN, and HTTPS can help users conceal their online activities, their use can also significantly hamper personalized online services, i.e., degraded utility. In this paper, we design an effective Web browsing history anonymization scheme, PBooster, aiming to protect users' privacy while retaining the utility of their Web browsing history. The proposed model pollutes users' Web browsing history by automatically inferring how many and what links should be added to the history while addressing the utility-privacy trade-off challenge. We conduct experiments to validate the quality of the manipulated Web browsing history and examine the robustness of the proposed approach for user privacy protection.

연구 동기 및 목표

• FCC 개인정보 규칙 폐기 이후 비승인된 웹 브라우징 이력에 대한 ISP 및 제3자 추적 증가에 대응하기 위해.
• 개인화된 온라인 서비스에서 사용자 프라이버시와 유틸리티 간의 근본적 트레이드오프를 해결하기 위해.
• 추천 및 개인화 시스템에서 사용되는 사용자 프로필의 품질을 떨어뜨리지 않고 프라이버시를 향상시키기 위한 프레임워크를 설계하기 위해.
• 사용자 프로필의 익명화를 극대화하면서 유틸리티를 유지하기 위해 어떤 링크를 추가할지 지능적으로 선택하는 방법을 개발하기 위해.
• 제안된 접근법이 탈익명화 공격에 저항하고 데이터 유틸리티를 유지하는 데 효과적인지 평가하기 위해.

제안 방법

• PBooster는 사회적 네트워크 관계를 활용해 유사한 브라우징 패턴을 가진 친구들을 식별하기 위해 그래프 기반 접근 방식을 사용하여 사용자 브라우징 행동을 모델링한다.
• 유지보수-프라이버시 트레이드오프 최적화 모델을 적용하며, 추가되는 링크의 수와 관련성에 영향을 주는 조정 가능한 파라미터 λ를 사용한다.
• 프레임워크는 친구들의 이력에서 유래한 링크를 주입하여 합성 브라우징 이력을 생성하며, 사용자 선호도의 분포를 유지한다.
• k-means 군집화를 사용하여 생성된 이력의 품질을 평가하며, 실루엣 계수를 통해 원본 데이터와의 유사도를 측정한다.
• 손실 함수는 탈익명화 저항력(측정 기준: 탈익명화 저항성)을 통한 프라이버시 향상과 프로필 유사도(측정 기준: 프로필 유사도)를 통한 유틸리티 손실을 균형 잡는 데 사용된다.
• PBooster는 사용자별 행동과 사회적 유사성에 기반해 링크를 동적으로 선택하여 개인화에 대한 영향을 최소화하면서도 최대한의 오염 효과를 달성한다.

실험 결과

연구 질문

• RQ1 개인화된 온라인 서비스의 유틸리티를 크게 떨어뜨리지 않으면서 웹 브라우징 이력을 어떻게 익명화할 수 있는가?
• RQ2 브라우징 이력 익명화에서 프라이버시 향상과 유틸리티 유지 간 최적의 균형은 무엇인가?
• RQ3 친구들의 이력에서 유래한 링크를 포함할 경우, 무작위 또는 비맥락 기반 링크 삽입과 비교해 프라이버시-유틸리티 트레이드오프에 어떤 영향을 미치는가?
• RQ4 PBooster는 브라우징 이력을 실제 신원과 연결하는 탈익명화 공격에 얼마나 잘 저항할 수 있는가?
• RQ5 λ 및 h 등의 다양한 파라미터가 익명화된 브라우징 이력의 프라이버시 및 유틸리티 결과에 어떤 영향을 미치는가?

주요 결과

• PBooster는 λ = 10일 때 최적의 프라이버시-유틸리티 트레이드오프를 달성하며, 이는 프라이버시가 극대화되고 유틸리티 손실이 최소화되는 조건이며, |Hu| = 100일 때 실루엣 계수가 0.762에 도달한다.
• λ ≤ 10일 경우 PBooster는 높은 실루엣 점수와 안정된 군집 성능로 원본 브라우징 이력과 유사한 데이터 품질을 유지한다.
• 친구들의 이력에서 유래한 링크를 추가함으로써 유틸리티 유지가 크게 향상되며, 이는 동질성 효과 때문이며 프로필 왜곡을 감소시킨다.
• PBooster는 랜덤 오염보다 프라이버시와 유틸리티 양면에서 뛰어나며, 원본 데이터보다 더 높은 프라이버시와 무작위 방법보다 더 높은 유틸리티를 달성한다.
• h(사용하는 친구의 이력 수)가 증가할수록 유틸리티가 향상되지만, 과도한 데이터 노출로 인한 위험도 증가한다. 균형 잡힌 성능을 위해 최적의 h = 25가 도출되었다.
• PBooster는 사용자 간 일관된 프라이버시 향상을 제공하며, 랜덤 방법은 유틸리티를 희생하면서 고도의 프라이버시를 달성하는 반면, JustFriends는 높은 유틸리티이지만 낮은 프라이버시를 보인다.