[论文解读] Under the Hood of Membership Inference Attacks on Aggregate Location Time-Series.

Apostolos Pyrgelis, Carmela Troncoso+1 more|arXiv (Cornell University)|Feb 20, 2019

Privacy-Preserving Technologies in Data被引用 11

一句话总结

本文通过分析数据量和移动模式规律性，研究了为何成员推理攻击在聚合位置时间序列上能够成功。它将现有的位置隐私防护措施适配到聚合场景中，证明了量身定制的防护措施可在保持常见移动性分析实用性的前提下，降低推理风险。

ABSTRACT

Aggregate location statistics are used in a number of mobility analytics to express how many people are in a certain location at a given time (but not who). However, prior work has shown that an adversary with some prior knowledge of a victim's mobility patterns can mount membership inference attacks to determine whether or not that user contributed to the aggregates. In this paper, we set to understand why such inferences are successful and what can be done to mitigate them. We conduct an in-depth feature analysis, finding that the volume of data contributed and the regularity and particularity of mobility patterns play a crucial role in the attack. We then use these insights to adapt defenses proposed in the location privacy literature to the aggregate setting, and evaluate their privacy-utility trade-offs for common mobility analytics. We show that, while there is no silver bullet that enables arbitrary analysis, there are defenses that provide reasonable utility for particular tasks while reducing the extent of the inference.

研究动机与目标

• 理解在聚合位置时间序列上成员推理攻击成功的原因。
• 识别使此类攻击成为可能的关键数据特征，如数据量和移动模式规律性。
• 将现有的位置隐私防护措施适配到聚合数据场景中。
• 评估这些防护措施在常见移动性分析任务中的隐私-实用权衡。

提出的方法

• 通过深入的特征分析，识别出数据量和移动模式规律性是攻击成功的关键因素。
• 将位置隐私文献中的防护措施适配到聚合数据场景中。
• 使用标准的移动性分析工作负载评估隐私-实用权衡。
• 通过实证评估，衡量防护措施在降低成员推理成功率的同时，保持分析实用性的效果。

实验结果

研究问题

• RQ1 哪些数据特征使聚合位置时间序列容易受到成员推理攻击？
• RQ2 数据量和模式规律性如何影响此类攻击的成功率？
• RQ3 哪些现有的位置隐私防护措施可以有效适配到聚合场景中？
• RQ4 这些适配后的防护措施在真实世界移动性分析中的隐私-实用权衡如何？

主要发现

• 数据量和移动模式的规律性是导致聚合位置数据遭受成功成员推理攻击的关键因素。
• 适配后的防护措施显著降低了成员推理攻击的成功率。
• 没有一种防护措施能普遍适用于所有分析任务，但多种防护措施在可接受的实用损失下提供了强有力的隐私保护。
• 最有效的防护措施在显著降低推理风险的同时，保留了特定移动性分析任务的实用性。