[论文解读] Privacy in Social Media: Identification, Mitigation and Applications

Ghazaleh Beigi, Huan Liu|arXiv (Cornell University)|Aug 7, 2018

Privacy-Preserving Technologies in Data参考文献 169被引用 23

一句话总结

本综述对社交媒体中的隐私风险进行了全面分析，重点关注身份泄露和属性泄露攻击。综述了最先进的匿名化技术，将现有研究划分为五个领域——图数据、作者识别、个人资料属性、位置隐私和推荐系统，并指出了防御机制中的关键空白，特别是针对文本、时空和异构数据的新兴攻击。

ABSTRACT

The increasing popularity of social media has attracted a huge number of people to participate in numerous activities on a daily basis. This results in tremendous amounts of rich user-generated data. This data provides opportunities for researchers and service providers to study and better understand users' behaviors and further improve the quality of the personalized services. Publishing user-generated data risks exposing individuals' privacy. Users privacy in social media is an emerging task and has attracted increasing attention in recent years. These works study privacy issues in social media from the two different points of views: identification of vulnerabilities, and mitigation of privacy risks. Recent research has shown the vulnerability of user-generated data against the two general types of attacks, identity disclosure and attribute disclosure. These privacy issues mandate social media data publishers to protect users' privacy by sanitizing user-generated data before publishing it. Consequently, various protection techniques have been proposed to anonymize user-generated social media data. There is a vast literature on privacy of users in social media from many perspectives. In this survey, we review the key achievements of user privacy in social media. In particular, we review and compare the state-of-the-art algorithms in terms of the privacy leakage attacks and anonymization algorithms. We overview the privacy risks from different aspects of social media and categorize the relevant works into five groups 1) graph data anonymization and de-anonymization, 2) author identification, 3) profile attribute disclosure, 4) user location and privacy, and 5) recommender systems and privacy issues. We also discuss open problems and future research directions for user privacy issues in social media.

研究动机与目标

• 系统性地回顾并比较用户生成的社交媒体数据的现有隐私保护技术。
• 在五个关键领域（图数据、作者识别、个人资料属性、位置隐私和推荐系统）中识别并分类隐私风险。
• 突出隐私子领域间的研究发展不平衡，以及针对新兴攻击缺乏有效防御机制的问题。
• 提出未来研究方向，以保护文本、时空和异构社交媒体数据中的隐私。
• 解决现实社交媒体平台中去匿名化攻击与有效匿名化防御之间的关键差距。

提出的方法

• 基于数据类型和隐私风险，将现有工作划分为五个主题领域：图数据匿名化、作者识别、个人资料属性泄露、用户位置隐私和推荐系统隐私。
• 回顾并比较旨在缓解身份和属性泄露风险的最先进的匿名化算法。
• 分析去匿名化攻击（如Netflix奖攻击），表明仅移除PII不足以防范隐私泄露，因为可通过数据模式实现结构化重新识别。
• 评估对数据各方面的独立匿名化（如文本和图）的局限性，并挑战将数据异构性视为可独立处理的假设。
• 提出一种未来匿名化技术的框架，考虑异构数据组件（如文本和位置）之间的相互依赖性。
• 识别开放性问题，包括个人资料属性推断缺乏防御机制，以及时空数据中缺乏时间隐私保护。

实验结果

研究问题

• RQ1 社交媒体中的主要隐私攻击类型是什么？它们在身份泄露和属性泄露之间有何不同？
• RQ2 为何传统仅移除PII的方法不足以保护社交媒体数据中的用户隐私？
• RQ3 去匿名化攻击如何利用用户生成数据中的结构和行为模式？
• RQ4 在结合文本、图和时空信息时，保护异构社交媒体数据隐私的关键挑战是什么？
• RQ5 在开发适用于现代社交媒体平台的有效、保留实用性的匿名化技术方面，最紧迫的开放研究问题是什么？

主要发现

• 传统仅移除PII的匿名化方法不足，如Netflix奖攻击所示，攻击者可利用行为模式重新识别用户。
• 即使移除了直接标识符，图结构和用户行为模式本身即可实现去匿名化。
• 年龄、位置和信任关系等个人资料属性可从间接信号中推断，构成重大隐私风险。
• 针对属性泄露攻击的防御机制严重缺乏，尤其在文本和个人资料数据方面。
• 独立匿名化数据方面（如文本和图）存在缺陷，因为不同类型数据之间存在隐藏的相互依赖性，可能被用于去匿名化攻击。
• 未来研究必须集中于开发能考虑社交媒体数据组件异质性和相互关系的集成匿名化框架。