[논문 리뷰] De-anonymization of Social Networks with Communities: When Quantifications Meet Algorithms

Luoyi Fu, Xinzhe Fu외 3명|arXiv (Cornell University)|2017. 03. 27.

Privacy-Preserving Technologies in Data참고 문헌 14인용 수 19

한 줄 요약

이 논문은 최대 사후확률( MAP ) 추정을 통해 이론적으로 근거를 둔 비용 함수를 제안하여 공동체 구조를 활용한 소셜 네트워크의 익명성 해제를 위한 것이다. 이를 통해 정확한 매핑 확률을 최대화한다. 두 가지 알고리즘인 AA와 CO를 도입하여 증명 가능한 근사 보장을 제공하며, 실제 크로스도메인 네트워크에서 최대 80%의 정확도를 기록하여, 특히 양 네트워크에 공동체 정보가 존재할 경우 뛰어난 성능을 보인다.

ABSTRACT

A crucial privacy-driven issue nowadays is re-identifying anonymized social networks by mapping them to correlated cross-domain auxiliary networks. Prior works are typically based on modeling social networks as random graphs representing users and their relations, and subsequently quantify the quality of mappings through cost functions that are proposed without sufficient rationale. Also, it remains unknown how to algorithmically meet the demand of such quantifications, i.e., to find the minimizer of the cost functions. We address those concerns in a more realistic social network modeling parameterized by community structures that can be leveraged as side information for de-anonymization. By Maximum A Posteriori (MAP) estimation, our first contribution is new and well justified cost functions, which, when minimized, enjoy superiority to previous ones in finding the correct mapping with the highest probability. The feasibility of the cost functions is then for the first time algorithmically characterized. While proving the general multiplicative inapproximability, we are able to propose two algorithms, which, respectively, enjoy an ε-additive approximation and a conditional optimality in carrying out successful user re-identification. Our theoretical findings are empirically validated, with a notable dataset extracted from rare true cross-domain networks that reproduce genuine social network de-anonymization. Both theoretical and empirical observations also manifest the importance of community information in enhancing privacy inferencing.

연구 동기 및 목표

• 기존의 비용 함수에 대한 엄밀한 이론적 근거 부족 문제를 해결하기 위해, 확률적 추론에 기반한 비용 함수를 제안한다.
• 무작위 그래프 모델보다 클러스터링 효과를 더 잘 반영하는 공동체 구조를 통합하여 실제 세계의 소셜 네트워크를 더 정확히 모델링한다.
• 제안된 비용 함수의 최소화 문제의 알고리즘적 타당성을 규명하여 실용적 적용 가능성을 확보한다.
• 합성 데이터를 넘어서 희귀한 실제 크로스도메인 데이터셋을 대상으로 실험적 검증을 수행하여, 방법의 강건성과 효과성을 입증한다.

제안 방법

• 공동체 구조를 포착하기 위해 소셜 네트워크의 기초 구조를 확률적 블록 모델(stochastic block model)로 모델링하여 익명성 해제의 보조 정보로 활용한다.
• 최대 사후확률(MAP) 추정에 기반한 새로운 비용 함수를 유도하여, 이 비용 함수를 최소화할 경우 가장 높은 사후확률로 정확한 매핑이 이루어지도록 보장한다.
• 최적화 문제의 일반적인 곱 형태로의 근사 불가능성을 증명하여 이론적 난이도 한계를 설정한다.
• 이완 기법을 통해 각각 ε-加성 근사와 조건부 최적성을 확보하는 두 가지 알고리즘인 AA(근사 알고리즘)와 CO(조건부 최적성)를 제안한다.
• 네트워크 구조와 후보 매핑을 활용하여 이론적 비용 함수, 구조, 매핑 간의 복잡한 상호작용을 이완과 반복 정밀화 기법으로 해결한다.
• 확률적 블록 모델에서 샘플링한 합성 네트워크와 실제 세계의 데이터셋(크로스도메인 공동저자 네트워크 포함)을 대상으로 방법을 검증한다.

실험 결과

연구 질문

• RQ1 소셜 네트워크의 익명성 해제를 위한 비용 함수는 히우리스틱 설계가 아닌 엄밀한 확률적 추론 기반으로 유도될 수 있는가?
• RQ2 보조 정보로 공동체 구조를 통합할 경우, 익명성 해제의 정확도와 타당성은 어떻게 영향을 받는가?
• RQ3 제안된 비용 함수에 의해 유도되는 최적화 문제는 알고리즘적으로 특성화될 수 있으며, 어떤 근사 보장을 제공할 수 있는가?
• RQ4 제안된 알고리즘은 실제 크로스도메인 소셜 네트워크에서 기존 방법과 비교해 어떻게 성능을 발휘하는가?
• RQ5 특히 사전 매핑된 시드가 없을 경우, 공동체 정보는 익명성 해제 정확도를 얼마나 향상시키는가?

주요 결과

• 제안된 MAP 기반 비용 함수는 가벼운 조건 하에서도 최소화자가 가장 높은 사후확률로 정확한 매핑을 제공하므로, 기존 방법보다 뛰어난 성능을 보인다.
• AA 알고리즘은 샘플링된 실제 소셜 네트워크에서 최대 80%의 정확도를 기록하여, 확률적 블록 모델을 엄격히 따르지 않는 네트워크에서도 강력한 강건성을 입증한다.
• 실제 크로스도메인 공동저자 네트워크에서는 양방향 케이스에서 60.8%의 노드가 성공적으로 익명성 해제되었고, 단방향 케이스에서는 51.5%의 정확도를 기록하여 실용적 효과를 확인했다.
• CO 알고리즘은 표준편차가 각 시나리오에서 3.5% 이상으로 나타나 안정성이 떨어지며, 네트워크 구조의 변화에 더 민감한 것으로 나타났다.
• 양방향과 단방향 익명성 해제 간의 정확도 격차는 최소 3.5% 이상이며, 최대 15%까지 발생하여 공동체 정보가 익명성 해제 성공에 결정적인 역할을 한다는 것을 경험적으로 확인했다.
• 확률적 블록 모델에서 생성되지 않은 실제 네트워크에서도 제안된 비용 함수가 효과를 발휘함으로써, 이상적인 가정을 초월한 일반화 능력을 입증했다.