[论文解读] Preserving Link Privacy in Social Network Based Systems

Prateek Mittal, Charalampos Papamanthou+1 more|arXiv (Cornell University)|Aug 30, 2012

Privacy-Preserving Technologies in Data参考文献 27被引用 93

一句话总结

本文提出了一种基于随机游走的图扰动技术，通过有策略地删除真实边并添加合成边，在保持关键图论特性的同时，保护社交网络系统中的链接隐私。该方法在仅造成轻微效用损失的情况下显著提升了隐私保护，通过减少混合时间与攻击边暴露，增强了Sybil防御和安全路由系统的性能。

ABSTRACT

A growing body of research leverages social network based trust relationships to improve the functionality of the system. However, these systems expose users' trust relationships, which is considered sensitive information in today's society, to an adversary. In this work, we make the following contributions. First, we propose an algorithm that perturbs the structure of a social graph in order to provide link privacy, at the cost of slight reduction in the utility of the social graph. Second we define general metrics for characterizing the utility and privacy of perturbed graphs. Third, we evaluate the utility and privacy of our proposed algorithm using real world social graphs. Finally, we demonstrate the applicability of our perturbation algorithm on a broad range of secure systems, including Sybil defenses and secure routing.

研究动机与目标

• 为解决社交网络基础安全系统中信任关系的严重隐私泄露问题，其中用户联系人被视为敏感信息。
• 设计一种扰动机制，在不严重降低系统效用的前提下保护链接隐私。
• 形式化定义扰动图的效用与隐私度量指标，并将其与混合时间、特征值等全局图属性关联。
• 在真实社交网络上评估该方法，并证明其在Sybil防御和安全路由等安全系统中的适用性。
• 表明该扰动技术可独立提升Sybil防御性能，即使在隐私收益之外也具有显著优势。

提出的方法

• 该方法利用随机游走指导合成边的插入，确保扰动后的图与原始图保持结构相似性。
• 通过基于局部邻域结构而非均匀随机的方式，删除真实边并添加虚假边来扰动图。
• 效用从顶点视角进行度量，并与混合时间、第二大特征值模等全局图属性建立形式化关联。
• 隐私分析采用贝叶斯与基于风险的双重框架，考虑攻击者的先验知识。
• 该方法在真实社交图（包括Facebook好友关系与互动网络）上进行评估，并应用于SybilLimit与SybilInfer以进行实证验证。
• 结果表明，该扰动机制可减少混合时间，并在Sybil检测中提升鲁棒性，即使攻击边略有增加。

实验结果

研究问题

• RQ1 如何对社交图进行扰动，以在最小化效用损失的同时保护链接隐私？
• RQ2 扰动图的效用与隐私是否存在形式化且可度量的指标？这些指标如何与混合时间、特征值等全局图属性相关联？
• RQ3 与均匀随机边插入相比，所提出的扰动方法在隐私与效用方面表现如何？
• RQ4 图扰动在多大程度上提升了现有Sybil防御机制的性能？
• RQ5 该扰动技术能否增强系统级安全应用（如安全路由与声誉系统）的防护能力？

主要发现

• 所提出的扰动机制降低了社交图的混合时间，从而提升了SybilInfer与SybilLimit等Sybil检测机制的性能。
• 在1-2%的假阳性率下，扰动拓扑中SybilLimit所需的随机路由长度减半，尽管攻击边略有增加，但效率显著提升。
• 扰动图中攻击边数量增加不足两倍，而可检测的Sybil身份数量显著增加，表明防御性能得到提升。
• 与均匀随机边扰动（如Hay et al.）相比，该方法通过保留局部图结构，实现了更优的效用与隐私权衡。
• 在混合特性较差的基于交互的图中，Sybil检测的性能提升尤为显著，凸显该方法在弱混合拓扑中的有效性。
• 该扰动机制可独立提升Sybil防御性能，因此即使在链接隐私非首要关注点的场景中也具有重要价值。