通过女巫子图混淆防止社交图上的主动重识别攻击
社会与信息网络
2020-07-13 v1
摘要
本文研究隐私保护社交图发布场景中的主动重识别攻击。主动攻击指 adversary 可利用虚假账户（即女巫节点）来强制形成结构模式，从而在匿名化图上重识别其受害者。本文对该类攻击提出一种新的概率解释。与以往将针对主动 adversary 的保护建模为使受害者节点相对于所有潜在攻击者的指纹不可区分的任务的隐私属性不同，我们的新公式引入了更完整的视角：通过联合阻止攻击者检索女巫节点集合，并阻止其利用这些女巫节点重识别受害者来 counter 攻击。在新公式下，我们证明在被动攻击背景下引入的隐私属性 -symmetry 为抵御利用任意数量女巫节点的主动重识别攻击提供了充分条件。此外，我们证明最初为高效实施相关 -automorphism 概念而设计的算法 K-Match 同样保证 -symmetry。在多个合成图集合上的实证结果证实，我们的方法首次允许发布（具有形式隐私保证的）匿名化社交图，其能有效抵御文献中报道的最强主动重识别攻击，即便该攻击利用大量女巫节点。
引用
@article{arxiv.2007.05312,
title = {Preventing active re-identification attacks on social graphs via sybil subgraph obfuscation},
author = {Sjouke Mauw and Yunior Ramírez-Cruz and Rolando Trujillo-Rasua},
journal= {arXiv preprint arXiv:2007.05312},
year = {2020}
}