[论文解读] Applying l-Diversity in anonymizing collaborative social network

Ajay Prasad, G. K. Panda+3 more|arXiv (Cornell University)|Jul 2, 2010

Privacy-Preserving Technologies in Data参考文献 10被引用 8

一句话总结

本文提出了一种基于 l-多样性 的协同社交网络匿名化框架，以克服 k-匿名 在同质性攻击和背景知识攻击下导致的隐私泄露问题。通过确保每个等价组中至少包含 l 个不同的敏感值，该方法在保持社交网络分析数据可用性的同时增强了隐私保护，在实验评估中表现出更强的隐私保护能力，且数据可用性损失较小。

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.

研究动机与目标

• 解决 k-匿名 社交网络中因同质性和背景知识攻击导致的隐私泄露问题。
• 将隐私保护技术从关系型数据扩展至社交网络结构。
• 开发一种针对协同社交网络数据定制的高效 l-多样性 匿名化方法。
• 评估在社交网络分析中隐私保护与数据可用性之间的权衡。

提出的方法

• 通过基于结构相似性的节点分组，将 l-多样性 模型适配至社交网络数据。
• 确保每个等价组中包含至少 l 个不同的敏感属性值，以抵抗元组披露攻击。
• 在 k-匿名 基础上应用 l-多样性 精炼，以增强隐私保障。
• 设计算法以在匿名化过程中保持网络拓扑和结构特性。
• 结合节点聚类与属性泛化，形成 l-多样的组。
• 在真实或合成的协同社交网络数据集上评估该方法，以衡量其可用性与隐私性。

实验结果

研究问题

• RQ1 如何有效将 l-多样性 应用于协同社交网络数据的匿名化，同时保持结构可用性？
• RQ2 与 k-匿名 相比，l-多样性 对社交网络数据分析可用性的影响如何？
• RQ3 l-多样性 是否能够缓解社交网络中因同质性和背景知识攻击带来的隐私风险？
• RQ4 所提出的方法在协同数据共享环境中如何平衡隐私与数据可用性？
• RQ5 l-多样性 在社交网络匿名化中引入了哪些计算与结构上的权衡？

主要发现

• 所提出的 l-多样性 方法成功缓解了 k-匿名 在同质性和背景知识攻击下导致的隐私泄露问题。
• 该方法在社交网络分析中保持了较高的数据可用性，表现为网络结构和连通性模式得以保留。
• 通过确保每个等价组中至少包含 l 个不同的敏感值，匿名化过程实现了 l-多样性，增强了对属性披露的抵抗能力。
• 该框架适用于协同社交网络数据共享，支持多方数据发布。
• 实验结果表明，该方法在不显著降低数据可用性的情况下，提供了强于 k-匿名 的隐私保障。
• 该方法具有实际可行性和高效性，适用于隐私保护型社交网络数据发布的实际部署。