[论文解读] Attack Tolerance of Link Prediction Algorithms: How to Hide Your Relations in a Social Network

Marcin Waniek, Kai Zhou+4 more|arXiv (Cornell University)|Sep 1, 2018

Complex Network Analysis Techniques参考文献 37被引用 11

一句话总结

本文研究了个人如何通过战略性地重连其局部网络连接以规避链路预测算法的检测，提出了两种实用启发式方法——CTR（移除边）和OTC（增加边），显著降低了链路预测的有效性。CTR在隐藏关系方面优于OTC，且链路预测算法的抗攻击能力随网络规模增大而增强，但随平均度数升高而减弱。

ABSTRACT

Link prediction is one of the fundamental research problems in network analysis. Intuitively, it involves identifying the edges that are most likely to be added to a given network, or the edges that appear to be missing from the network when in fact they are present. Various algorithms have been proposed to solve this problem over the past decades. For all their benefits, such algorithms raise serious privacy concerns, as they could be used to expose a connection between two individuals who wish to keep their relationship private. With this in mind, we investigate the ability of such individuals to evade link prediction algorithms. More precisely, we study their ability to strategically alter their connections so as to increase the probability that some of their connections remain unidentified by link prediction algorithms. We formalize this question as an optimization problem, and prove that finding an optimal solution is NP-complete. Despite this hardness, we show that the situation is not bleak in practice. In particular, we propose two heuristics that can easily be applied by members of the general public on existing social media. We demonstrate the effectiveness of those heuristics on a wide variety of networks and against a plethora of link prediction algorithms.

研究动机与目标

• 解决链路预测算法可能暴露社交网络中隐藏或私密关系所带来的隐私风险。
• 研究个人如何战略性地改变其局部网络结构，以降低被链路预测算法检测到的可能性。
• 评估实用启发式方法在隐私保护型网络重连中的有效性和计算可行性。
• 分析网络拓扑（尤其是规模和平均度数）对链路预测算法抗规避策略韧性的影晌。

提出的方法

• 将规避链路预测问题形式化为一个NP-完全优化任务，确立最优规避的理论极限。
• 提出两种实用启发式方法：CTR（可控拓扑移除），从用户邻域中移除关键边；OTC（最优拓扑构建），通过增加新边来隐藏目标链接。
• 采用标准链路预测相似性指标（如Jaccard、Adamic-Adar、优先连接）评估启发式方法的性能。
• 在多样化的真实与合成网络上实证评估启发式方法，包括社交、通信和生物网络。
• 使用标准指标衡量有效性：AUC（受试者工作特征曲线下面积）和AP（平均精度），结果取50次运行的平均值及95%置信区间。
• 分析大规模网络（最多100,000个节点）上的运行时间可扩展性，对比CTR与OTC在无标度、小世界及Erdos-Renyi网络模型中的表现。

实验结果

研究问题

• RQ1 个人是否可以通过修改其局部网络结构，有效隐藏特定关系以规避链路预测算法？
• RQ2 在多种网络类型中，边移除（CTR）与边增加（OTC）哪种启发式方法在规避链路预测方面更有效？
• RQ3 链路预测算法的抗攻击能力如何随网络规模和平均度数变化？
• RQ4 所提出的启发式方法在大规模网络上的计算可扩展性如何？
• RQ5 边移除与边增加的组合策略是否能产生协同增效，提升规避效果？

主要发现

• 寻找最优规避方案以规避链路预测的问题是NP-完全的，证实了完美规避在理论上不可行。
• CTR启发式方法（边移除）显著降低了链路预测性能，在多个网络和相似性指标下，AUC与AP最高可降低30%。
• OTC启发式方法（边增加）效果较弱，AUC改善微乎其微，AP无实质提升，表明其作为隐藏关系的策略效果较差。
• 将CTR与OTC结合并未产生协同增效，结果与单独使用CTR相似。
• CTR具有高度可扩展性，即使在100,000个节点的网络中，运行时间也低于1毫秒；而OTC的运行时间迅速增长，在相同规模下接近3小时。
• 链路预测算法的抗攻击能力随网络规模增大而增强，随平均度数升高而减弱，表明更大、更稀疏的网络对规避策略更具韧性。