[论文解读] On the Unicity of Smartphone Applications

Jagdish Prasad Achara, Gergely Ács+1 more|arXiv (Cornell University)|Jul 28, 2015

Privacy, Security, and Data Protection参考文献 12被引用 4

一句话总结

本文研究了智能手机应用列表带来的再识别风险，表明在54,893名Android用户的数据集中，仅需四个已安装应用即可唯一识别95%的用户。作者利用马尔可夫链蒙特卡洛采样和非线性回归方法，证明应用列表具有高度唯一性，对匿名化构成挑战，并凸显了在数据共享中，尤其是与第三方跟踪库结合时，存在紧迫的隐私风险。

ABSTRACT

Prior works have shown that the list of apps installed by a user reveal a lot about user interests and behavior. These works rely on the semantics of the installed apps and show that various user traits could be learnt automatically using off-the-shelf machine-learning techniques. In this work, we focus on the re-identifiability issue and thoroughly study the unicity of smartphone apps on a dataset containing 54,893 Android users collected over a period of 7 months. Our study finds that any 4 apps installed by a user are enough (more than 95% times) for the re-identification of the user in our dataset. As the complete list of installed apps is unique for 99% of the users in our dataset, it can be easily used to track/profile the users by a service such as Twitter that has access to the whole list of installed apps of users. As our analyzed dataset is small as compared to the total population of Android users, we also study how unicity would vary with larger datasets. This work emphasizes the need of better privacy guards against collection, use and release of the list of installed apps.

研究动机与目标

• 评估智能手机应用列表的唯一性及其在用户数据集中的再识别风险。
• 通过测量应用子集的唯一性，评估发布应用列表（即使为假名化形式）的隐私影响。
• 开发一种基于MCMC采样的无偏估计方法，用于任意应用子集的唯一性估计。
• 基于有限数据集样本，使用非线性回归预测更大人群中的唯一性。
• 评估研究发现对更大规模数据集（如全球Android用户群体）的可推广性。

提出的方法

• 作者使用一个包含54,893名Android用户的应用列表数据集，数据在7个月内收集，应用通过哈希名称标识以保护隐私。
• 他们应用马尔可夫链蒙特卡洛（MCMC）方法，对应用子集进行均匀采样，并估计大小为K的子集在数据集中唯一的概率。
• 证明MCMC链具有快速混合特性，确保在数据集规模和K值上时间复杂度大致线性，从而实现高效且准确的唯一性估计。
• 作者使用非线性回归建模数据集规模与唯一性之间的关系，学习一个用于预测更大人群唯一性的预测函数。
• 在包含100万用户的独立移动性数据集上验证模型，通过逐步增加训练子集规模来评估预测准确性。

(a) $K=5$

实验结果

研究问题

• RQ1 在智能手机应用数据集中，唯一识别一个用户所需的最少安装应用数量是多少？
• RQ2 应用列表的唯一性如何随数据集规模变化？我们能否从较小样本中预测更大人群中的唯一性？
• RQ3 由于固有的唯一性，应用列表的假名化在多大程度上无法保护用户隐私？
• RQ4 MCMC采样能否为数据集中任意应用子集提供无偏的唯一性估计？
• RQ5 基于小规模数据集训练的模型，预测真实世界大规模人群唯一性的能力如何？

主要发现

• 数据集中99%的用户拥有唯一的应用安装列表，表明完整应用列表具有高度独特性。
• 仅知道四个应用即可以95%的概率实现用户再识别，表明存在强烈的再识别风险。
• 仅凭两个应用，攻击者即可以75%的概率识别用户，凸显了即使信息极少也存在风险。
• 基于MCMC的方法能为任意子集大小K提供无偏且高效的唯一性估计，快速混合特性确保了准确性。
• 当在足够大的样本（如100,000名用户）上训练时，非线性回归模型在更大数据集中的唯一性预测表现良好，例如在100万用户移动性数据集上平均误差仅为0.05。
• 仅在50,000名用户上训练模型会导致泛化能力差，表明小规模数据集可能无法代表全球规模人群的唯一性预测。

(b) $K=6$