行迹即身份——基于机器学习的语义隐私攻击研究
计算机与社会
2023-10-27 v1 计算工程、金融与科学
机器学习
摘要
鉴于数字应用的使用日益增多及其包含出售用户数据的底层商业模式，对数据隐私的担忧无处不在。位置数据尤为敏感，因其可让我们推断用户的活动模式与兴趣，例如通过基于附近兴趣点（POI）对到访位置进行分类。此外，机器学习方法为解读大数据提供了强大的新工具。鉴于上述考量，我们提出如下问题：现实可行的、基于机器学习的隐私攻击从存在不精确性的原始位置数据中获取有意义语义信息的实际风险究竟有多大？对此，我们系统分析了两种攻击场景，即位置分类与用户画像。在 Foursquare 数据集与追踪数据上的实验表明，高质量空间信息存在被滥用的可能，即便位置误差达 200 米仍会导致显著的隐私泄露。当位置模糊化超过 1 公里时，空间信息几乎不再提供任何价值，但仅由时间信息导致的高隐私风险依然存在。POI 等公开上下文数据的可用性在基于空间信息的推断中起着关键作用。我们的发现指出了不断增长的追踪数据与空间上下文数据库的风险，政策制定者应在隐私法规中予以考虑，并可指导个人采取其位置保护措施。
引用
@article{arxiv.2310.17643,
title = {Where you go is who you are -- A study on machine learning based semantic privacy attacks},
author = {Nina Wiedemann and Ourania Kounadi and Martin Raubal and Krzysztof Janowicz},
journal= {arXiv preprint arXiv:2310.17643},
year = {2023}
}