论文阅读《Privacy Leakage via De-Anonymization and Aggregation in Heterogeneous Social Networks》

论文来源

信息安全期刊：《IEEE Transactions on Dependable and Secure Computing》

下载链接：IEEE Xplore

论文概要

关键词

数据隐私、社交网络安全、去匿名化、异构社交网络

提出问题

当今，有越来越多的人拥有不止一个社交账号，通过对同一个人的不同社交账号进行聚合（Aggregation），就能收集到关于他的各方面隐私信息。这种情况有益的方面是可以帮助推荐系统向我们推荐产品，有害的方面是攻击者也可能获得关于我们的隐私信息。针对这种现象，作者提出了如下两个问题。

• 如何为异构社交网络，设计一个实用且高效的跨网络聚合方案？这种方案可以链接目标用户的不同社交平台上的社交账号，从而收集他各个方面的信息。
• 这种聚合方案可以在多大程度上泄露用户的信息？

要想回答这两个问题，必须面对的一个挑战是用户在不同的社交账号上，可能填写的用户名、个人信息不同。目前关于这种去匿名化（deanonymize）的研究，要么误报率高，要么就假设用户在不同社交账号上信息一致。为了解决以上问题和挑战，本文提出了一个针对异构社交网络的新的去匿名化方案，叫做NHDS。

解决方案

目前两种主流的去匿名化方法是基于概要的去匿名化（profile based de-anonymization）和基于结构化的去匿名化（structured based de-anonymization）。NHDS结合了这两种方式的优点，首先利用社交网络图结构显著减少候选集的大小，然后利用用户信息极大概率地识别正确的映射用户。其步骤如下：

1. 团体检测：基于算法Infomap algorithm[1]，将社交网络图划分成两个团体集合
2. 对齐团体：包含相同一组种子的团体会被对齐
3. 团体内节点映射：在每一对对齐后的团体中，具有高相似度的两个用户节点间存在映射关系，而且这种关系会在邻居节点间传播

这一部分有些名词太难翻译了，建议看论文中的Fig.1，很清晰的展示了NHDS的流程。

方案评估

评估：NHDS相较于现有的方法可以以很高的准确率，识别出两个不同社交平台账号之间的关联关系，只是召回率会低一些。

真实环境隐私泄露评估：NHDS在真实环境中，通过去匿名化获得的信息高达39%，去匿名化的平均比率高达84%。这表明，攻击者可以通过去匿名化方法获取大量以前未知的用户隐私信息。社交网络上的隐私保护问题依然比较严峻。

参考文献

[1] M. Rosvall and C. T. Bergstrom, “Maps of random walks on complex networks reveal community structure,” Proc. Nat. Academy Sci., vol. 105, no. 4, pp. 1118–1123, 2008.

我的思考

所以这篇论文是怎样解决之前提出的用户信息不一致问题的？根据我目前的理解，是不是就是用户名不一样，但其它信息有相同的，在一定概率上也认为它是同一个人的账户，可是这样做准确率真的会高吗？我好迷