匿名化网络中隐私与社区结构的同时保持
机器学习
2016-03-29 v1 密码学与安全
社会与信息网络
摘要
我们考虑在维护隐私的同时对网络进行社区检测的问题，假设对手能够访问一个辅助的相关网络。我们提出这样的问题：“是否存在一种情形，网络无法被完美去匿名化，但社区结构却可以被学习？”。为回答此问题，我们利用随机块模型(Stochastic Block Model)与边子采样(edge sub-sampling)推导了完美去匿名化问题的信息论逆界(converses)。我们也给出了完美去匿名化的一项近乎紧的可用性(achievability)结果。我们还在满足我们逆界条件的随机块模型数据集上评估了基于渗流(percolation)的去匿名化算法性能。尽管我们的逆界适用于精确去匿名化，当逆界条件满足时该算法急剧失效。此外，我们研究了边子采样对真实世界数据集社区结构的影响。结果显示该数据集落入本文思想范畴。这些结果表明，有可能证明更强的部分可去匿名化逆界，从而促成更好的隐私保证。
引用
@article{arxiv.1603.08028,
title = {On the Simultaneous Preservation of Privacy and Community Structure in Anonymized Networks},
author = {Daniel Cullina and Kushagra Singhal and Negar Kiyavash and Prateek Mittal},
journal= {arXiv preprint arXiv:1603.08028},
year = {2016}
}
备注
10 pages