[论文解读] Link Prediction by De-anonymization: How We Won the Kaggle Social Network Challenge

Arvind Narayanan, Elaine Shi+1 more|arXiv (Cornell University)|Feb 22, 2011

Privacy-Preserving Technologies in Data参考文献 22被引用 25

一句话总结

本文提出了一种基于去匿名化的方法，在 IJCNN 2011 社交网络挑战赛中胜出，该方法利用个人 Flickr 爬虫数据，对竞赛测试集中被匿名化的用户进行重新识别。通过结合模拟退火算法进行加权图匹配，成功去匿名化了 64.7% 的测试边，并在去匿名化后的数据与原始训练数据上联合训练随机森林分类器，最终在测试集上取得了 0.981 的 AUC 得分，展示了去匿名化与链接预测相结合的创新融合策略，成功应用于机器学习竞赛中。

ABSTRACT

This paper describes the winning entry to the IJCNN 2011 Social Network Challenge run by Kaggle.com. The goal of the contest was to promote research on real-world link prediction, and the dataset was a graph obtained by crawling the popular Flickr social photo sharing website, with user identities scrubbed. By de-anonymizing much of the competition test set using our own Flickr crawl, we were able to effectively game the competition. Our attack represents a new application of de-anonymization to gaming machine learning contests, suggesting changes in how future competitions should be run. We introduce a new simulated annealing-based weighted graph matching algorithm for the seeding step of de-anonymization. We also show how to combine de-anonymization with link prediction---the latter is required to achieve good performance on the portion of the test set not de-anonymized---for example by training the predictor on the de-anonymized portion of the test set, and combining probabilistic predictions from de-anonymization and link prediction.

研究动机与目标

• 探究是否可以利用对匿名化社交网络数据的去匿名化手段，在机器学习竞赛中获得不公平优势。
• 开发一种稳健的方法，利用结构相似性与来自公开爬虫的辅助数据，对部分社交网络快照进行去匿名化。
• 证明将去匿名化与标准链接预测技术结合，可显著提升链接预测基准测试的性能。
• 揭示匿名化数据集在现实竞赛中的脆弱性，并倡导采用更完善的隐私保护数据发布实践。

提出的方法

• 提出了一种基于模拟退火的算法，用于解决去匿名化过程中种子识别阶段的加权图匹配问题。
• 将种子识别建模为组合优化问题，通过在挑战赛图与个人 Flickr 爬虫之间建立节点对应关系。
• 利用高入度节点作为种子，因其在部分与完整网络快照中均具有结构稳定性。
• 通过将去匿名化结果与链接预测结果进行概率融合，将去匿名化的测试边加入训练集。
• 在标准链接预测特征基础上，使用原始训练数据与测试集中去匿名化部分联合训练随机森林分类器。
• 在完整测试集上评估最终模型，综合来自去匿名化与链接预测两部分的预测结果。

实验结果

研究问题

• RQ1 能否利用同一平台的辅助数据，有效对现实世界社交网络的部分爬取数据进行去匿名化？
• RQ2 当与标准机器学习模型结合时，去匿名化在链接预测竞赛中能将性能提升到何种程度？
• RQ3 是否可以设计一种可扩展且准确的去匿名化方法，利用入度分布等结构特征？
• RQ4 如何联合优化去匿名化与链接预测，以在竞赛环境中最大化预测性能？
• RQ5 去匿名化对公平且隐私保护的机器学习竞赛设计有何影响？

主要发现

• 作者成功利用其自有的 Flickr 爬虫与基于模拟退火的图匹配算法，对测试集中的 64.7% 边完成了去匿名化。
• 去匿名化与链接预测相结合的方法在测试集上取得了 0.981 的 AUC 得分，夺得 Kaggle 社交网络挑战赛第一名。
• 将高入度节点作为种子显著提升了去匿名化过程的准确率与可扩展性。
• 在测试集中去匿名化部分数据上训练链接预测器，带来了显著的性能提升，凸显了部分揭示数据的价值。
• 结果表明，当前竞赛规则与数据匿名化实践不足以防止通过去匿名化手段进行策略性操作。
• 本研究强调了未来数据发布中应采用更强大的隐私保护机制（如差分隐私）的必要性。