[논문 리뷰] walk2friends: Inferring Social Links from Mobility Profiles

Michael Backes, Mathias Humbert외 2명|arXiv (Cornell University)|2017. 08. 28.

Human Mobility and Location-Based Analysis참고 문헌 38인용 수 16

한 줄 요약

이 논문은 사회적 관계를 이동 데이터에서 깊이 있는 특징 학습을 통해 이전에 알려지지 않은 사회적 연결이나 공통 위치 정보 없이도 이동 프로파일을 추출함으로써, 새로운 비지도 공격인 walk2friends를 제안한다. 이는 최신 기술 대비 최대 20% 높은 정확도를 달성하며 AUC가 0.8에 도달한다. 또한 사회적 연결 개인정보 유출 위험을 완화하기 위해 세 가지 방어 기법을 평가한다.

ABSTRACT

The development of positioning technologies has resulted in an increasing amount of mobility data being available. While bringing a lot of convenience to people's life, such availability also raises serious concerns about privacy. In this paper, we concentrate on one of the most sensitive information that can be inferred from mobility data, namely social relationships. We propose a novel social relation inference attack that relies on an advanced feature learning technique to automatically summarize users' mobility features. Compared to existing approaches, our attack is able to predict any two individuals' social relation, and it does not require the adversary to have any prior knowledge on existing social relations. These advantages significantly increase the applicability of our attack and the scope of the privacy assessment. Extensive experiments conducted on a large dataset demonstrate that our inference attack is effective, and achieves between 13% to 20% improvement over the best state-of-the-art scheme. We propose three defense mechanisms -- hiding, replacement and generalization -- and evaluate their effectiveness for mitigating the social link privacy risks stemming from mobility data sharing. Our experimental results show that both hiding and replacement mechanisms outperform generalization. Moreover, hiding and replacement achieve a comparable trade-off between utility and privacy, the former preserving better utility and the latter providing better privacy.

연구 동기 및 목표

• 사전에 사회적 유대관계나 공통 위치 정보를 알지 못해도 작동하는 일반적이고 비지도 기반의 사회적 연결 추론 공격을 개발하는 것.
• 이동 데이터가 악성 사용자에게 사회적 관계를 드러내는 개인정보 유출 위험을 평가하는 것.
• 이동 데이터에서의 사회적 연결 추론을 완화하기 위해 은폐, 대체, 일반화 기반의 효과적인 방어 기법을 설계하고 실증적으로 평가하는 것.
• 낮은 데이터 및 낮은 공통 위치 조건 하에서도 공격의 강건성을 입증하고, 방어 전략의 유용성-개인정보 보호 간 트레이드오프를 평가하는 것.

제안 방법

• 이 방법은 스킵그램을 영감으로 삼은 신경망 기반의 특징 학습 모델을 사용하여 사용자의 체크인 시퀀스에서 자동으로 이동 특징을 추출한다.
• 각 사용자의 이동 프로파일은 방문한 장소와 함께 방문한 사용자들을 보존하는 임베딩을 학습함으로써 구성되며, 이는 이동 이웃을 포착한다.
• 사용자 간에 학습된 이동 프로파일 간의 코사인 유사도를 계산하여 사회적 연결을 예측한다.
• 이 공격은 지도 학습이 필요 없으며, 레이블이 부여된 사회망 데이터나 기존 관계에 대한 사전 지식이 필요하지 않다.
• 세 가지 방어 기법을 평가한다: 은폐(80%의 위치 포인트 제거), 대체(50%의 포인트를 무작위로 대체), 일반화(粗 granularity 지도 기반).
• 성능 평가에서는 대규모 인스타그램 체크인 데이터셋(세분화된 의미적 및 지리적 위치 메타데이터 포함)을 사용해 AUC를 측정한다.

실험 결과

연구 질문

• RQ1 공통 위치나 사전 지식 없이도 이동 데이터에서 사회적 관계를 신뢰성 있게 추론할 수 있는가?
• RQ2 깊이 있는 특징 학습이 사회적 관계와 관련된 이동 패턴을 얼마나 잘 포착하는가?
• RQ3 지리적 및 의미적 세분성 수준이 사회적 연결 추론 성능에 어떤 영향을 미치는가?
• RQ4 은폐, 대체, 일반화 중 어느 방어 기법이 개인정보 보호와 데이터 유용성 간 최선의 트레이드오프를 제공하는가?
• RQ5 사용자가 체크인 수가 적거나 공통 위치가 전혀 없을 경우 공격의 강건성은 어떻게 되는가?

주요 결과

• 제안된 공격는 수신자 작동 특성 곡선 아래 면적(AUC)이 0.8을 기록하며, 기존 최고 수준의 기술 대비 13%에서 20% 향상된 성능을 달성한다.
• 사용자당 최소 5개의 위치 포인트가 있어도 강력한 성능 유지를 보이며, 도시에 따라 AUC가 0.71 또는 0.75에 도달한다.
• 두 사용자가 공통 위치를 전혀 공유하지 않더라도 AUC 약 0.72를 기록하여 효과적인 성능 유지를 유지한다.
• 추론 성능을 AUC 0.7 이하로 떨어뜨리기 위해선 80%의 위치 포인트를 은폐하거나 50%를 대체해야 하며, 이는 강력한 방어 임계값을 시사한다.
• 은폐는 대체보다 더 높은 데이터 유용성을 유지하지만, 대체는 더 강력한 개인정보 보호를 제공한다. 일반화는 개인정보-유용성 트레이드오프에서 현저히 열등하다.
• 지리적 데이터를 일반화할 경우 장소의 의미적 내용이 추론 성능 향상에 기여하며, 이는 의미 정보가 공간적 왜곡을 상쇄할 수 있음을 시사한다.