跨非结构化在线社交网络的档案匹配：威胁与对策

本工作中，我们针对非结构化在线社交网络(OSNs)提出一种档案匹配(或去匿名化)攻击，其中图结构的相似性无法用于档案匹配。我们考虑用户公开共享的不同属性。此类属性既包括明显的标识符(如用户名)，也包括非明显的标识符(如不同平台间某用户不同帖子之间的兴趣相似度或情感变化)。我们研究使用这些属性的不同组合对档案匹配的影响，以广泛展示隐私威胁。我们所提框架主要依赖机器学习技术与优化算法。我们在自行构建的两个真实数据集上评估该框架。结果表明，仅利用公开共享属性且不使用 OSN 底层图结构，即可以高概率匹配不同 OSN 中的用户档案。我们还提出可能的对策，以牺牲用户所共享属性的准确性(或效用)为代价缓解该威胁。我们将用户隐私与档案效用之间的权衡表述为一个优化问题，并展示用户档案的细微改动如何降低攻击成功率。我们相信本工作将成为构建面向用户的、抵御跨 OSN 档案匹配攻击的隐私保护工具的有价值一步。