[논문 리뷰] Target Defense Against Link-Prediction-Based Attacks via Evolutionary Perturbations

Shanqing Yu, Minghao Zhao외 5명|arXiv (Cornell University)|2018. 09. 16.

Complex Network Analysis Techniques참고 문헌 35인용 수 13

한 줄 요약

이 논문은 사회적 네트워크에서 민감한 링크를 자원 할당(RA) 지수를 기반으로 한 링크 예측 공격으로부터 보호하기 위해 진화적 편향 기반 방어 전략을 제안한다. 추정 분포 알고리즘(EDA)을 사용하여 네트워크 구조를 반복적으로 수정함으로써 링크 예측 정확도를 낮추면서도 데이터 유용성을 유지하며, 여섯 개인 실세계 네트워크에서 히وري스틱 및 기준 방법보다 뛰어난 성능을 보였다.

ABSTRACT

In social networks, by removing some target-sensitive links, privacy protection might be achieved. However, some hidden links can still be re-observed by link prediction methods on observable networks. In this paper, the conventional link prediction method named Resource Allocation Index (RA) is adopted for privacy attacks. Several defense methods are proposed, including heuristic and evolutionary approaches, to protect targeted links from RA attacks via evolutionary perturbations. This is the first time to study privacy protection on targeted links against link-prediction-based attacks. Some links are randomly selected from the network as targeted links for experimentation. The simulation results on six real-world networks demonstrate the superiority of the evolutionary perturbation approach for target defense against RA attacks. Moreover, transferring experiments show that, although the evolutionary perturbation approach is designed to against RA attacks, it is also effective against other link-prediction-based attacks.

연구 동기 및 목표

• 민감한 링크가 제거된 후에도 링크 예측을 통해 재식별될 수 있는 사회적 네트워크의 프라이버시 위험을 해결한다.
• 특정 민감한 링크를 링크 예측 알고리즘으로부터 보호하는 목표 지향적 방어 메커니즘을 개발한다.
• 구조적 왜곡을 최소화하여 방어 효과성과 데이터 유용성의 균형을 맞춘다.
• 다른 링크 예측 알고리즘으로의 방어 메커니즘의 이식 가능성에 대해 조사한다.
• 진화적 편향을 효과적으로 이끄는 데 기여하는 정밀도와 AUC를 동시에 최적화하는 피트니스 함수를 설계한다.

제안 방법

• 목표 링크를 숨기기 위해 네트워크 구조를 수정하는 진화적 편향을 생성하기 위해 추정 분포 알고리즘(EDA)을 사용한다.
• RA 지수를 주요 공격 모델로 삼아 링크 예측의 정밀도와 AUC를 기반으로 방어 성능을 평가하는 피트니스 함수를 설계한다.
• 타깃 링크에만 편향을 적용하여 나머지 네트워크 구조를 유지함으로써 데이터 유용성을 보존한다.
• 각 편향 이후 변화를 점진적으로 계산함으로써 시간 소모를 줄이기 위해 변형 기반 계산 전략을 사용한다.
• 비교 평가를 위해 히وري스틱 및 진화적 접근 방식(HP 및 EDA)을 통합한다.
• 여섯 개인 실세계 네트워크에서 다양한 링크 예측 지표(RA, CN, Jaccard, PA, AA, LP)를 기반으로 방어 효과성을 평가한다.

실험 결과

연구 질문

• RQ1 민감한 타깃 링크에 대한 링크 예측 정확도를 낮추면서도 전체 네트워크의 유용성을 떨어뜨리지 않고 진화적 편향이 효과적으로 작용할 수 있는가?
• RQ2 다양한 실세계 네트워크에서 제안된 EDA 기반 방어 전략이 히وري스틱 및 기준 방법에 비해 정밀도와 AUC 측면에서 어떻게 비교되는가?
• RQ3 RA 지수 외의 다른 링크 예측 알고리즘으로의 방어 메커니즘의 이식 가능성은 어느 정도인가?
• RQ4 피트니스 함수 설계가 진화적 방어 과정의 효율성과 효과성에 어떤 영향을 미치는가?
• RQ5 대규모 네트워크에서 타깃 링크 수가 증가함에 따라 이 방법의 확장성은 어떻게 되는가?

주요 결과

• EDA 기반의 진화적 편향 방법은 테스트된 모든 네트워크에서 RA 지수 기준으로 가장 낮은 링크 예측 정밀도(0.00667)와 가장 높은 AUC(0.629)를 달성하여 기준 방법보다 뚜렷이 뛰어났다.
• Jazz 네트워크에서 EDA 방법은 RA 지수 기준으로 정밀도 0.327과 AUC 0.940을 기록하여 모든 다른 방법보다 두 지표에서 뛰어난 성능을 보였다.
• 진화적 방어 메커니즘이 강력한 이식 가능성을 보였다: RA를 대상으로 방어를 적용했을 때, CN, Jaccard, PA, AA, LP 지수의 예측 성능도 모두 저하되었다.
• 정밀도와 AUC를 통합한 피트니스 함수는 각 편향 이후 피트니스 변화를 점진적으로 계산할 수 있도록 하여 최적화 효율성을 향상시켰다.
• Lesmis 네트워크에서 EDA 방법은 RA 기반 예측 정밀도를 0.0199로 낮추고 AUC를 0.879로 낮혀 다양한 네트워크 구조에서의 강건성을 입증했다.
• 강력한 성능에도 불구하고, 많은 타깃 링크를 포함한 대규모 네트워크에서는 구조 최적화가 부족하여 효율성이 저하되는 경향을 보였다.