AncomWiki

Protecting Sensitive Labels in Social Network Data Anonymization

Properties1
description본 논문은 소셜 네트워크 데이터 공유 시 구조적 익명화(k-anonymity 등)만으로는 노드의 민감한 레이블(속성) 추론 공격을 막기 어렵다는 문제를 지적한다. 기존 방법들이 그래프 속성을 크게 왜곡할 수 있다는 한계를 극복하기 위해, 구조 정보와 민감 레이블을 모두 보호하는 'k-degree-l-diversity' 익명화 모델을 제안한다. 또한 그래프 속성에 최소한의 왜곡을 주도록 노이즈 노드를 추가하는 새로운 알고리즘을…

8 min read

Protecting Sensitive Labels in Social Network Data Anonymization

Source

  • Evernote/Papers/Protecting Sensitive Labels in Social Network Data Anonymization.md

Summary

본 논문은 소셜 네트워크 데이터 공유 시 구조적 익명화(k-anonymity 등)만으로는 노드의 민감한 레이블(속성) 추론 공격을 막기 어렵다는 문제를 지적한다. 기존 방법들이 그래프 속성을 크게 왜곡할 수 있다는 한계를 극복하기 위해, 구조 정보와 민감 레이블을 모두 보호하는 ‘k-degree-l-diversity’ 익명화 모델을 제안한다. 또한 그래프 속성에 최소한의 왜곡을 주도록 노이즈 노드를 추가하는 새로운 알고리즘을 개발하고, 추가 노이즈 노드의 수와 그래프 속성에 미치는 영향에 대한 이론적 경계를 분석한다.

Key Points

  • 기존 구조 기반 익명화 모델은 노드의 민감한 레이블(속성)이 동일하게 분포할 경우 재식별 및 정보 추론 공격에 취약함.
  • 기존의 엣지 수정이나 노드 클러스터링 방식은 그래프의 핵심 속성을 크게 변경할 수 있음.
  • 구조 정보와 민감 레이블을 동시에 보호하는 ‘k-degree-l-diversity’ 익명화 모델 정의.
  • 그래프 속성 왜곡을 최소화하면서 노이즈 노드를 추가하는 새로운 익명화 알고리즘 제안.
  • 추가되는 노이즈 노드의 수와 그래프 속성에 대한 이론적 경계 분석 및 실험적 유효성 검증.

그래프 뷰

백링크