[论文解读] Target Defense Against Link-Prediction-Based Attacks via Evolutionary Perturbations

Shanqing Yu, Minghao Zhao+5 more|arXiv (Cornell University)|Sep 16, 2018

Complex Network Analysis Techniques参考文献 35被引用 13

一句话总结

本文提出了一种基于进化扰动的防御策略，以保护社交网络中的敏感链接免受基于链接预测的攻击，特别针对资源分配（RA）指数。通过使用分布估计算法（EDA）迭代修改网络结构，该方法在保持数据可用性的前提下降低了链接预测的准确性，相较于启发式方法和基线方法，在六个真实网络中表现更优。

ABSTRACT

In social networks, by removing some target-sensitive links, privacy protection might be achieved. However, some hidden links can still be re-observed by link prediction methods on observable networks. In this paper, the conventional link prediction method named Resource Allocation Index (RA) is adopted for privacy attacks. Several defense methods are proposed, including heuristic and evolutionary approaches, to protect targeted links from RA attacks via evolutionary perturbations. This is the first time to study privacy protection on targeted links against link-prediction-based attacks. Some links are randomly selected from the network as targeted links for experimentation. The simulation results on six real-world networks demonstrate the superiority of the evolutionary perturbation approach for target defense against RA attacks. Moreover, transferring experiments show that, although the evolutionary perturbation approach is designed to against RA attacks, it is also effective against other link-prediction-based attacks.

研究动机与目标

• 解决社交网络中的隐私风险，即尽管已删除敏感链接，仍可能通过链接预测被重新识别。
• 设计一种面向目标的防御机制，保护特定敏感链接不被链接预测算法识别。
• 通过最小化网络结构的失真，平衡防御效果与数据可用性。
• 研究防御机制在不同链接预测算法之间的可迁移性。
• 设计一种联合优化精确率与AUC的适应度函数，以有效引导进化扰动。

提出的方法

• 采用分布估计算法（EDA）生成进化扰动，通过修改网络结构隐藏目标链接。
• 设计一种适应度函数，基于链接预测的精确率与AUC评估防御性能，并以RA指数作为主要攻击模型。
• 仅对目标链接施加扰动，保留其余网络结构以维持数据可用性。
• 采用基于变异的计算策略，通过增量计算减少每次扰动后的计算成本。
• 整合启发式方法与进化方法（HP与EDA）进行对比评估。
• 在六种真实网络上，基于多种链接预测指标（RA、CN、Jaccard、PA、AA、LP）评估防御效果。

实验结果

研究问题

• RQ1 基于进化扰动能否在不降低整体网络可用性的情况下，有效降低目标敏感链接的链接预测准确率？
• RQ2 所提出的基于EDA的防御方法在多种真实网络中，相较于启发式与基线方法，在精确率与AUC方面表现如何？
• RQ3 该防御机制对RA指数以外的其他链接预测算法具有多大程度的可迁移性？
• RQ4 适应度函数的设计对进化防御过程的效率与效果有何影响？
• RQ5 当目标链接数量增加时，该方法在大规模网络中的可扩展性如何？

主要发现

• 在所有测试网络中，基于EDA的进化扰动方法在RA指数上的链接预测精确率最低（0.00667），AUC最高（0.629），显著优于基线方法。
• 在Jazz网络中，EDA方法在RA指数上的精确率为0.327，AUC为0.940，两项指标均优于所有其他方法。
• 该进化防御机制展现出强大的可迁移性：当用于防御RA攻击时，也显著降低了CN、Jaccard、PA、AA和LP等指标的预测性能。
• 结合精确率与AUC的适应度函数通过支持每次扰动后适应度变化的增量计算，提升了优化效率。
• 在Lesmis网络中，EDA方法将基于RA的预测精确率降低至0.0199，AUC降低至0.879，显示出在不同网络拓扑下的鲁棒性。
• 尽管性能表现优异，但由于缺乏结构优化，该方法在目标链接数量较多的大规模网络中效率下降。