[论文解读] Applications of Differential Privacy in Social Network Analysis: A Survey

Honglu Jiang, Jian Pei+4 more|arXiv (Cornell University)|Oct 6, 2020

Privacy-Preserving Technologies in Data参考文献 89被引用 13

一句话总结

本综述对差分隐私在社交网络分析中的应用进行了全面分析，涵盖基础原理、变体形式以及度分布、子图计数和边权发布等任务的实用实现。它识别出关键挑战，如数据相关性、高维性以及动态数据更新，并强调需要采用自适应的隐私预算分配和噪声管理，以在确保强隐私保障的同时保持数据效用。

ABSTRACT

Differential privacy is effective in sharing information and preserving privacy with a strong guarantee. As social network analysis has been extensively adopted in many applications, it opens a new arena for the application of differential privacy. In this article, we provide a comprehensive survey connecting the basic principles of differential privacy and applications in social network analysis. We present a concise review of the foundations of differential privacy and the major variants and discuss how differential privacy is applied to social network analysis, including privacy attacks in social networks, types of differential privacy in social network analysis, and a series of popular tasks, such as degree distribution analysis, subgraph counting and edge weights. We also discuss a series of challenges for future studies.

研究动机与目标

• 系统性地梳理差分隐私原理与社交网络分析应用之间的关联。
• 识别并分析将差分隐私应用于社交网络时的核心挑战，包括数据相关性、高维性以及动态数据更新。
• 考察现有技术在保护隐私的同时发布敏感社交网络数据的方法。
• 突出当前研究中的开放问题及差分隐私在社交网络分析中的未来方向。

提出的方法

• 对与社交网络数据相关的差分隐私主要变体进行分类与综述。
• 分析差分隐私在具体任务中的应用：度分布、子图计数以及边权发布。
• 评估随机投影、贝叶斯网络和采样等技术在高维数据发布中的应用。
• 调查动态数据发布机制，包括隐私预算分配与噪声累积缓解方法。
• 评估真实社交网络场景中隐私保障与数据效用之间的权衡。
• 识别现有方法的局限性，尤其在处理相关数据与演化网络结构方面。

实验结果

研究问题

• RQ1 如何有效应用差分隐私以在保持分析效用的同时保护社交网络数据的隐私？
• RQ2 在高维与动态社交网络数据中应用差分隐私的主要挑战是什么？
• RQ3 社交网络中的数据相关性如何影响差分隐私分析中的隐私-效用权衡？
• RQ4 有哪些策略可用于在多个查询或数据更新之间高效分配隐私预算？
• RQ5 当前差分隐私机制在处理复杂社交网络结构与演化数据方面存在哪些局限性？

主要发现

• 差分隐私提供强数学基础的隐私保障，且独立于攻击者背景知识，因此在对抗性环境中优于 k-匿名与 l-多样性。
• 高维社交网络数据因信噪比低且属性相关性复杂，当噪声均匀添加时会显著降低效用。
• 现有静态差分隐私机制无法适用于动态社交网络，因其噪声快速累积并导致隐私预算过早耗尽。
• 降维与噪声注入共同影响数据效用，二者联合影响仍是重大开放问题。
• 当前动态数据发布方法常因随时间增长的噪声无界而无法维持长期隐私保障。
• 基于查询的隐私预算分配对优化效用至关重要，尤其当各维度敏感度与信息含量不同时。