[论文解读] walk2friends: Inferring Social Links from Mobility Profiles

Michael Backes, Mathias Humbert+2 more|arXiv (Cornell University)|Aug 28, 2017

Human Mobility and Location-Based Analysis参考文献 38被引用 16

一句话总结

本文提出了一种名为 walk2friends 的新型无监督攻击方法，通过深度特征学习从移动性数据中推断社交关系，无需事先了解社交链接或共同位置。该方法在准确率上比最先进方法最高提升 20%，AUC 达到 0.8，并评估了三种防御机制以缓解社交链接隐私风险。

ABSTRACT

The development of positioning technologies has resulted in an increasing amount of mobility data being available. While bringing a lot of convenience to people's life, such availability also raises serious concerns about privacy. In this paper, we concentrate on one of the most sensitive information that can be inferred from mobility data, namely social relationships. We propose a novel social relation inference attack that relies on an advanced feature learning technique to automatically summarize users' mobility features. Compared to existing approaches, our attack is able to predict any two individuals' social relation, and it does not require the adversary to have any prior knowledge on existing social relations. These advantages significantly increase the applicability of our attack and the scope of the privacy assessment. Extensive experiments conducted on a large dataset demonstrate that our inference attack is effective, and achieves between 13% to 20% improvement over the best state-of-the-art scheme. We propose three defense mechanisms -- hiding, replacement and generalization -- and evaluate their effectiveness for mitigating the social link privacy risks stemming from mobility data sharing. Our experimental results show that both hiding and replacement mechanisms outperform generalization. Moreover, hiding and replacement achieve a comparable trade-off between utility and privacy, the former preserving better utility and the latter providing better privacy.

研究动机与目标

• 开发一种通用的、无监督的社交链接推断攻击方法，无需事先了解社交关系或共同位置。
• 评估移动性数据在揭示社交关系方面的隐私风险，尤其是在与敌对者共享时。
• 设计并实证评估有效的防御机制——隐藏、替换和泛化，以减轻从移动性数据中推断社交链接的风险。
• 在低数据量和低共同位置条件下验证攻击的鲁棒性，并评估防御策略的隐私-效用权衡。

提出的方法

• 该方法使用基于神经网络的特征学习模型（受 skip-gram 启发），从用户的签到序列中自动提取移动性特征。
• 通过学习保留访问位置和共同访问用户的信息嵌入向量，构建每个用户的移动性档案，捕捉移动邻居关系。
• 使用余弦相似度计算用户学习到的移动性档案之间的成对相似性，以预测社交链接。
• 该攻击为无监督方法，无需标注社交网络数据或对现有关系的先验知识。
• 评估了三种防御机制：隐藏（移除 80% 的位置点）、替换（将 50% 的位置点替换为随机点）和泛化（使用粗粒度地理网格）。
• 性能通过在包含语义和地理位置元数据的大规模 Instagram 签到数据集上的 AUC 进行评估。

实验结果

研究问题

• RQ1 在不依赖共同位置或社交关系先验知识的前提下，能否可靠地从移动性数据中推断社交关系？
• RQ2 深度特征学习在捕捉与社交关系相关联的移动模式方面有多有效？
• RQ3 地理和语义粒度对社交链接推断性能有何影响？
• RQ4 在隐藏、替换和泛化三种防御机制中，哪一种在隐私与数据效用之间提供了最佳权衡？
• RQ5 当用户签到次数较少或无重叠位置时，该推断攻击的鲁棒性如何？

主要发现

• 所提出的攻击在受试者工作特征曲线下面积（AUC）达到 0.8，相比最佳现有最先进方法提升 13% 至 20%。
• 即使每个用户仅有五个位置点，该攻击仍保持强劲性能，AUC 达到 0.71 或 0.75（取决于城市）。
• 当两名用户无任何共同位置时，该攻击仍有效，AUC 约为 0.72。
• 需隐藏 80% 的位置点或替换 50% 的位置点，才能使推断性能降至 AUC 以下 0.7，表明存在较强的防御阈值。
• 隐藏比替换更能保持数据效用，而替换提供更强的隐私保护；泛化在隐私-效用权衡中表现显著更差。
• 当地理数据被泛化时，位置的语义内容可提升推断性能，表明语义信息可补偿空间混淆带来的损失。