[论文解读] On the anonymizability of mobile traffic datasets

Marco Gramaglia, Marco Fiore|arXiv (Cornell University)|Dec 31, 2014

Privacy-Preserving Technologies in Data参考文献 8被引用 5

一句话总结

本文提出了一种新颖的度量方法，用于评估移动流量数据集的k-匿名化能力，结果表明，时空多样性——尤其是时间间隔的长尾分布——是导致匿名化能力差的根本原因。尽管轨迹唯一性很高，但在粗粒度8小时时间聚合下，匿名化仍会失败，原因在于持续存在的难以泛化的时序模式。

ABSTRACT

Preserving user privacy is paramount when it comes to publicly disclosed datasets that contain fine-grained data about large populations. The problem is especially critical in the case of mobile traffic datasets collected by cellular operators, as they feature elevate subscriber trajectory uniqueness and they are resistant to anonymization through spatiotemporal generalization. In this work, we investigate the $k$-anonymizability of trajectories in two large-scale mobile traffic datasets, by means of a novel dedicated measure. Our results are in agreement with those of previous analyses, however they also provide additional insights on the reasons behind the poor anonimizability of mobile traffic datasets. As such, our study is a step forward in the direction of a more robust dataset anonymization.

研究动机与目标

• 探究为何在轨迹唯一性很高的情况下，移动流量数据集仍难以通过时空泛化实现匿名化。
• 开发一种定量匿名化能力度量方法，以捕捉在这些数据集中对个体用户指纹进行匿名化的内在难度。
• 识别导致大规模移动数据集中匿名化能力差的结构性特征——尤其是时间多样性。
• 使用基于指纹的新度量方法，在两个真实世界的移动流量数据集（d4d-civ 和 d4d-sen）上评估匿名化能力。
• 为当前匿名化技术的局限性提供洞见，并指导设计更具隐私保护性的数据集。

提出的方法

• 提出一种基于指纹的匿名化能力度量方法，利用时空空间中用户轨迹之间的成对距离进行计算。
• 计算基尼系数和尾部权重指数（TWI），以量化用户间距离分布的离散程度和尾部分布行为。
• 将TWI应用于用户指纹距离的时空分量（w_sδ_s）、时间分量（w_tδ_t）以及整体分量（w_sδ_s + w_tδ_t）。
• 使用逆累积分布函数变换（F^(-1) 和 Φ^(-1)）对不同数据集和匿名化级别下的分布进行归一化和比较。
• 分析在不同空间和时间聚合水平下的匿名化能力，包括城市级聚合和8小时时间分箱。
• 比较两个大规模移动数据集（d4d-civ 和 d4d-sen）之间的匿名化能力度量，以评估结果的一致性。

实验结果

研究问题

• RQ1 在时空泛化下，移动流量数据集在多大程度上能实现k-匿名性？哪些因素限制了这一目标的达成？
• RQ2 用户指纹的结构性特征——空间或时间——中，哪一个最显著地阻碍了匿名化？
• RQ3 用户间距离分布（尤其是时间维度）如何影响匿名化能力？
• RQ4 在一个数据集中观察到的匿名化能力挑战是否可推广到具有相似特征的其他数据集？
• RQ5 能否定义一种匿名化能力的定量度量方法，以捕捉在简单唯一性之外，对单个轨迹进行匿名化的难度？

主要发现

• 在城市级空间聚合和8小时时间聚合下，d4d-civ 和 d4d-sen 数据集甚至未能实现2-匿名化，表明其匿名化能力极差。
• 用户指纹的时间分量表现出时间间隔距离的长尾分布，其尾部权重指数（TWI）介于指数分布与帕累托分布之间，表明存在大量难以泛化的样本。
• 时间距离的基尼系数集中在0.5左右，表明时间指纹差异具有高度离散性和非均匀性。
• 空间距离的离散度极低（基尼系数≈0），表明空间模式在用户间更容易匹配，但时间模式仍具有高度独特性。
• 整体匿名化能力由时间分量主导，因其长尾分布使得即使在粗粒度聚合水平下也难以实现有效泛化。
• 用户指纹中存在大量不相似的时间样本，这解释了为何尽管空间模式平均相似度较高，时空泛化仍无法确保匿名性。