[论文解读] LinkMirage: How to Anonymize Links in Dynamic Social Systems

Changhchang Liu, Prateek Mittal|arXiv (Cornell University)|Jan 7, 2015

Internet Traffic Analysis and Secure E-voting参考文献 45被引用 6

一句话总结

LinkMirage 是一种保护隐私的系统，通过混淆社交网络的链接结构来保护用户关系隐私，同时保持图结构在分析和应用中的可用性。它通过动态聚类和基于随机游走的虚假边生成，在动态社交图中实现比现有最先进方法高至10倍的隐私保护。

ABSTRACT

Social network based trust relationships present a critical foundation for designing trustworthy systems, such as Sybil defenses, secure routing, and anonymous/censorshipresilient communications. A key issue in the design of such systems, is the revelation of users' trusted social contacts to an adversary-information that is considered sensitive in today's society. In this work, we focus on the challenge of preserving the privacy of users' social contacts, while still enabling the design of social trust based applications. First, we propose LinkMirage, a community detection based algorithm for anonymizing links in social network topologies; LinkMirage preserves community structures in the social topology while anonymizing links within the communities. LinkMirage considers the evolution of the social network topologies, and minimizes privacy leakage due to temporal dynamics of the system. Second, we define metrics for quantifying the privacy and utility of a time series of social topologies with anonymized links. We analyze the privacy and utility provided by LinkMirage both theoretically, as well as using real world social network topologies: a Facebook dataset with 870K links and a large-scale Google+ dataset with 940M links. We find that our approach significantly outperforms the existing state-of-art. Finally, we demonstrate the applicability of LinkMirage in real-world applications such as Sybil defenses, reputation systems, anonymity systems and vertex anonymity. We also prototype LinkMirage as a Facebook application such that real world systems can bootstrap privacy-preserving trust relationships without the cooperation of the OSN operators.

研究动机与目标

• 解决保护社交关系隐私与支持第三方应用可用性之间的矛盾。
• 为已知原始图结构（包括对混淆后图的完全访问权限）的对手提供强有力的隐私保障。
• 保持混淆后图的结构可用性，以支持推荐系统、匿名通信和Sybil防御等实际应用。
• 通过在时间快照间保持一致的聚类，增强对社交网络动态变化的鲁棒性。
• 在静态和演化中的社交网络拓扑结构中，平衡链接隐私与图结构可用性。

提出的方法

• 应用动态聚类将社交图划分为社区，以保留社区内部和社区之间的链接结构。
• 通过基于原始图结构特性的随机采样，利用原始图上的随机游走机制，将社区内部链接替换为虚假边以实现混淆。
• 使用类似的基于随机游走的采样机制混淆社区之间的链接，以保留全局图拓扑结构。
• 在时间实例之间保持一致的聚类，以确保在动态社交网络中实现隐私与可用性。
• 通过理论和实证分析评估在最坏情况对手模型下的隐私保护能力，该对手已知原始图中除一条链接外的所有链接。
• 利用真实世界数据集（Facebook、Google+）验证系统在大规模图上的性能和可扩展性。

实验结果

研究问题

• RQ1 如何在保持对现实世界应用足够可用性的前提下，保护社交图链接的隐私？
• RQ2 图的动态演化对链接隐私有何影响？如何在时间上保持一致的混淆机制？
• RQ3 在对抗性推理攻击下，LinkMirage 相较于现有最先进混淆技术，在隐私保护方面提升了多少？
• RQ4 该混淆机制能否保留社交图中对分析和安全应用至关重要的关键结构特性？
• RQ5 在大规模真实社交网络中，该系统在隐私-可用性权衡方面表现如何？

主要发现

• 在动态社交网络环境中，LinkMirage 相较于现有最先进方法，隐私保障能力最高提升10倍。
• 在静态环境下，即使在最坏情况对手模型下，LinkMirage 的隐私保护能力也比现有方法最高提升3倍。
• 该系统保留了社交图的关键结构特性，使其可应用于图分析、匿名通信和Sybil防御等应用。
• 在包含87万条链接的Facebook数据集和包含9.4亿条链接的大规模Google+数据集上的实验，证实了其在大规模场景下的强隐私-可用性权衡。
• 由于持续的聚类机制，混淆机制在时间上保持有效且一致，即使节点和边被添加或删除亦然。
• 由于其结构保持技术，LinkMirage 的方法可广泛应用于社交网络之外的场景，包括通信网络和网页图。