[논문 리뷰] Applying l-Diversity in anonymizing collaborative social network

Ajay Prasad, G. K. Panda외 3명|arXiv (Cornell University)|2010. 07. 02.

Privacy-Preserving Technologies in Data참고 문헌 10인용 수 8

한 줄 요약

이 논문은 k-익명성의 개인정보 泄露 문제, 특히 동질성 공격 및 배경 지식 공격로 인한 문제를 해결하기 위해 협업적 소셜 네트워크를 위한 l-다양성 기반 익명화 프레임워크를 제안한다. 각 등가군 내에서 최소 l개의 서로 다른 민감한 값이 보장되도록 함으로써, 개인정보 보호를 강화하면서도 소셜 네트워크 분석을 위한 데이터 유용성을 유지한다. 실험 평가에서 유용성 손실이 크지 않은 채로 보다 향상된 보호 기능을 입증하였다.

ABSTRACT

To date publish of a giant social network jointly from different parties is an easier collaborative approach. Agencies and researchers who collect such social network data often have a compelling interest in allowing others to analyze the data. In many cases the data describes relationships that are private and sharing the data in full can result in unacceptable disclosures. Thus, preserving privacy without revealing sensitive information in the social network is a serious concern. Recent developments for preserving privacy using anonymization techniques are focused on relational data only. Preserving privacy in social networks against neighborhood attacks is an initiation which uses the definition of privacy called k-anonymity. k-anonymous social network still may leak privacy under the cases of homogeneity and background knowledge attacks. To overcome, we find a place to use a new practical and efficient definition of privacy called ldiversity. In this paper, we take a step further on preserving privacy in collaborative social network data with algorithms and analyze the effect on the utility of the data for social network analysis.

연구 동기 및 목표

• 동질성 공격 및 배경 지식 공격로 인한 k-익명화된 소셜 네트워크의 개인정보 泄露 문제를 해결하기 위해.
• 관계형 데이터에서의 개인정보 보존 기법을 소셜 네트워크 구조로 확장하기 위해.
• 협업적 소셜 네트워크 데이터에 특화된 효율적인 l-다양성 기반 익명화 방법을 개발하기 위해.
• 소셜 네트워크 분석에서 개인정보 보호와 데이터 유용성 간의 트레이드오프를 평가하기 위해.

제안 방법

• 구조적 유사성 기반으로 노드를 등가군으로 그룹화하여 l-다양성 모델을 소셜 네트워크 데이터에 적용한다.
• 각 등가군이 최소 l개의 서로 다른 민감한 속성 값을 포함하도록 보장하여 튜플 누출 공격에 저항한다.
• k-익명성 기반 적용 후 l-다양성 정밀 조정을 통해 개인정보 보호 보장을 강화한다.
• 익명화 과정에서 네트워크 구조 및 구조적 특성을 유지할 수 있도록 알고리즘을 설계한다.
• 노드 클러스터링과 속성 일반화의 조합을 사용하여 l-다양성 그룹을 형성한다.
• 실제 또는 시뮬레이션된 협업적 소셜 네트워크 데이터셋을 대상으로 방법을 평가하여 유용성과 개인정보 보호 수준을 점검한다.

실험 결과

연구 질문

• RQ1 l-다양성이 협업적 소셜 네트워크 데이터를 익명화하는 데 효과적으로 적용될 수 있는가? 이는 구조적 유용성을 유지하는가?
• RQ2 k-익명성 대비 l-다양성이 소셜 네트워크 데이터의 분석 유용성에 미치는 영향은 무엇인가?
• RQ3 l-다양성이 소셜 네트워크에서 동질성 및 배경 지식 공격으로 인한 개인정보 위험을 완화할 수 있는가?
• RQ4 제안된 방법은 협업 데이터 공유 환경에서 개인정보 보호와 데이터 유용성 간의 균형을 어떻게 유지하는가?
• RQ5 l-다양성이 소셜 네트워크 익명화 과정에서 초래하는 계산적 및 구조적 트레이드오프는 무엇인가?

주요 결과

• 제안된 l-다양성 접근법은 k-익명성의 동질성 및 배경 지식 공격로 인한 개인정보 泄露 문제를 효과적으로 완화한다.
• 보존된 네트워크 구조 및 연결 패턴을 바탕으로, 소셜 네트워크 분석을 위한 높은 수준의 데이터 유용성을 유지한다.
• 등가군 내 최소 l개의 서로 다른 민감한 값 보장을 통해 l-다양성 익명화를 달성함으로써, 속성 누출에 대한 저항력을 향상시킨다.
• 이 프레임워크는 협업적 소셜 네트워크 데이터 공유에 적용 가능하며, 다수의 당사자에 의한 데이터 배포를 지원한다.
• 실험 결과, 유용성 손실이 크지 않은 채로 k-익명성보다 더 강력한 개인정보 보호 보장을 제공함을 입증하였다.
• 이 방법은 실용적이고 효율적이며, 개인정보 보존 소셜 네트워크 공개의 실세계 구현에 적합하다.