基于DeepLink的社交网络去匿名方法

doi:10.11959/j.issn.2096-109x.2020045

网络与信息安全学报 ›› 2020, Vol. 6 ›› Issue (4): 104-108.doi: 10.11959/j.issn.2096-109x.2020045

基于DeepLink的社交网络去匿名方法

王培,贾焰,李爱平(),蒋千越

国防科技大学计算机学院，湖南长沙 410073

修回日期:2019-09-17 出版日期:2020-08-15 发布日期:2020-08-13
作者简介:王培（1991- ），男，山西运城人，国防科技大学硕士生，主要研究方向为网络空间安全|贾焰（1960- ），女，四川成都人，博士，国防科技大学教授、博士生导师，主要研究方向为网络空间安全|李爱平（1974- ），男，山东诸城人，博士，国防科技大学研究员、博士生导师，主要研究方向为网络空间安全|蒋千越（1990- ）男，黑龙江齐齐哈尔人，国防科技大学硕士生，主要研究方向为网络空间安全
基金资助:
国家重点研究发展计划基金(2017YFB0802204);国家重点研究发展计划基金(2016YFB0800303);国家重点研究发展计划基金(2017YFB0803301);国家重点研究发展计划基金(2016QY03D0603);国家重点研究发展计划基金(2016QY03D0601);国家重点研究发展计划基金(2016QY01W0101);国家自然科学基金(61732004);国家自然科学基金(61732022);国家自然科学基金(61502517);国家自然科学基金(61472433);国家自然科学基金(61672020);国家自然科学基金(U1803263);东莞创新研究团队计划(2018607201008)

De-anonymiation method for networks based on DeepLink

Pei WANG,Yan JIA,Aiping LI(),Qianyue JIANG

College of Computer,National University of Defense Technology,Changsha 410073,China

Revised:2019-09-17 Online:2020-08-15 Published:2020-08-13
Supported by:
The National Key R＆D Program of China(2017YFB0802204);The National Key R＆D Program of China(2016YFB0800303);The National Key R＆D Program of China(2017YFB0803301);The National Key R＆D Program of China(2016QY03D0603);The National Key R＆D Program of China(2016QY03D0601);The National Key R＆D Program of China(2016QY01W0101);The National Natural Science Foundation of China(61732004);The National Natural Science Foundation of China(61732022);The National Natural Science Foundation of China(61502517);The National Natural Science Foundation of China(61472433);The National Natural Science Foundation of China(61672020);The National Natural Science Foundation of China(U1803263);DongGuan Innovative Research Team Program(2018607201008)

摘要/Abstract

摘要：

现有的社交网络去匿名方法主要是基于网络结构，对网络结构进行学习与表示是去匿名的关键。用户身份链接（user identity linkage）的目的是检测来自不同社交网络平台的同一个用户。基于深度学习的跨社交网络用户对齐技术，很好地学习了不同社交网络的结构特征，实现了跨社交网络的用户对齐。将该技术用于同一社交网络匿名用户识别，实验结果优于传统去匿名方法。

关键词: 匿名, 去匿名, 隐私, 社交网络, 图数据

Abstract:

Existing de-anonymization technologies are mainly based on the network structure.To learn and express network structure is the key step of de-anonymization.The purpose of the user identity linkage is to detect the same user from different social networking platforms.DeepLink is a cross-social network user alignment technology.It learns the structural of the social networks and align anchor nodes through deep neural networks.DeepLink was used to identify de-anonymization social networks,and the results outperforms the traditional methods.

Key words: anonymization, de-anonymization, privacy, social network, graph data

中图分类号:

TP183

王培,贾焰,李爱平,蒋千越. 基于DeepLink的社交网络去匿名方法[J]. 网络与信息安全学报, 2020, 6(4): 104-108.

Pei WANG,Yan JIA,Aiping LI,Qianyue JIANG. De-anonymiation method for networks based on DeepLink[J]. Chinese Journal of Network and Information Security, 2020, 6(4): 104-108.

图/表 4

表1

表2

图1

表3

参考文献 15

[1]	姚瑞欣, 李晖, 曹进 . 社交网络中的隐私保护研究综述[J]. 网络与信息安全学报, 2016,2(4): 33-43.
	YAO R X , LI H , CAO J . Overview of privacy preserving in social network[J]. Chinese Journal of Network and Information Security, 2016,2(4): 33-43.
[2]	ZHOU F , LIU L . DeepLink:a deep learning approach for user identity linkage[C]// IEEE International Conference on Computer Communications. 2018: 1313-1321.
[3]	LIU L , CHEUNG W K , LI X ,et al. Aligning users across social networks using network embedding[C]// International Joint Conference on Artificial Intelligence. 2016: 1774-1780.
[4]	TAN S , GUAN Z , CAI D ,et al. Mapping users across networks by manifold alignment on hypergraph[C]// AAAI Conference on Artificial Intelligence. 2014: 159-165.
[5]	ZHANG J , YU P S . Integrated anchor and social link predictions across social networks[C]// International Joint Conference on Artificial Intelligence. 2015: 2125-2132.
[6]	BACKSTROM L , DWORK C , KLEINBERG J . Wherefore art thou r3579x? anonymized social networks,hidden patterns,and structural steganography[C]// International World Wide Web Conference. 2007: 181-190.
[7]	NARAYANAN A , SHMATIKOV V . De-anonymizing social networks[C]// IEEE Symposium on Security and Privacy. 2009: 173-187.
[8]	NILIZADEH S , KAPADIA A , AHN Y Y . Community-enhanced de-anonymization of online social networks[C]// ACM Conference on Computer and Communications Security. 2014: 537-548.
[9]	SRIVATSA M , HICKS M . Deanonymizing mobility traces:using social networks as a side-channel[C]// ACM Conference on Computer and Communications Security. 2012: 628-637.
[10]	JI S , LI W , SRIVATSA M ,et al. Structure based data de-anonymization of social networks and mobility traces[C]// Information Security Conference. 2014: 237-254.
[11]	尹赢, 吉立新, 黄瑞阳 ,等. 网络表示学习的研究与发展[J]. 网络与信息安全学报, 2019,5(2): 77-87.
	YIN Y , JI L X , HUANG R Y ,et al. Research and development of network representation learning[J]. Chinese Journal of Network and Information Security, 2019,5(2): 77-87.
[12]	PEDARSANI P , FIGUEIREDO D R , GROSSGLAUSER M . A bayesian method for matching two similar graphs without seeds[C]// The 51st Annual Allerton Conference on Communication,Control ＆ Computing. 2013: 1598-1607.
[13]	HAY M , MIKLAU G , JENSEN D ,et al. Anonymizing social networks[C]// Computer Science Department Faculty Publication Series. 2007: 180-196.
[14]	TANG J , QU M , WANG M ,et al. Line:large- scale information network embedding[C]// International World Wide Web Conference. 2015: 1067-1077.
[15]	CAO S , LU W , XU Q . Grarep:learning graph representations with global structural information[C]// ACM International on Conference on Information ＆ Knowledge Management. 2015: 891-900.

维度			准确率
维度	P@1	P@5	P@10P@15	P@30	P@100
400	66%	80%	83%83%	84%	84%
200	67%	81%	83%84%	85%	85%
100	78%	88%	90%91%	91%	91%
50	67%	81%	84%85%	85%	85%

方法				准确率
方法	P@1	P@5	P@10		P@15	P@30	P@100
本文方法	78%	88%	90%		91%	91%	91%
DeepLink	33%	57.4%	64.9%		67.2%	69.4%	69.8%

方法	准确率
本文方法	78%
Ji^[7]	40%
Nilizadeh^[8]	78%

基于DeepLink的社交网络去匿名方法

De-anonymiation method for networks based on DeepLink

在线阅读

pdf下载

可视化

摘要/Abstract

引用本文

使用本文

图/表 4

参考文献 15

相关文章 15

Metrics

推荐阅读 0

[1]	祖立军, 曹雅琳, 门小骅, 吕智慧, 叶家炜, 李泓一, 张亮. 基于隐私风险评估的脱敏算法自适应方法[J]. 网络与信息安全学报, 2023, 9(3): 49-59.
[2]	陈赛特, 李卫海, 姚远志, 俞能海. 轻量级K匿名增量近邻查询位置隐私保护算法[J]. 网络与信息安全学报, 2023, 9(3): 60-72.
[3]	余锋, 林庆新, 林晖, 汪晓丁. 基于生成对抗网络的隐私增强联邦学习方案[J]. 网络与信息安全学报, 2023, 9(3): 113-122.
[4]	陈晋音, 李荣昌, 黄国瀚, 刘涛, 郑海斌, 程瑶. 纵向联邦学习方法及其隐私和安全综述[J]. 网络与信息安全学报, 2023, 9(2): 1-20.
[5]	肖敏, 毛发英, 黄永洪, 曹云飞. 基于属性签名的车载网匿名信任管理方案[J]. 网络与信息安全学报, 2023, 9(2): 33-45.
[6]	许建龙, 林健, 黎宇森, 熊智. 分布式用户隐私保护可调节的云服务个性化QoS预测模型[J]. 网络与信息安全学报, 2023, 9(2): 70-80.
[7]	孙哲, 宁洪, 殷丽华, 方滨兴. 基于教学实训靶场的“数据隐私保护”课程建设初探[J]. 网络与信息安全学报, 2023, 9(1): 178-188.
[8]	李凤华, 李晖, 牛犇, 邱卫东. 隐私计算的学术内涵与研究趋势[J]. 网络与信息安全学报, 2022, 8(6): 1-8.
[9]	白雪, 秦宝东, 郭瑞, 郑东. 基于SM2的两方协作盲签名协议[J]. 网络与信息安全学报, 2022, 8(6): 39-51.
[10]	肖敏, 姚涛, 刘媛妮, 黄永洪. 具有隐私保护的动态高效车载云管理方案[J]. 网络与信息安全学报, 2022, 8(6): 70-83.
[11]	卢晨昕, 陈兵, 丁宁, 陈立全, 吴戈. 具有紧凑标签的基于身份匿名云审计方案[J]. 网络与信息安全学报, 2022, 8(6): 156-168.
[12]	明盛智, 朱建明, 隋智源, 张娴. 信息增值机制下在线医疗隐私保护策略[J]. 网络与信息安全学报, 2022, 8(6): 169-177.
[13]	应作斌, 方一晨, 张怡文. 动态聚合权重的隐私保护联邦学习框架[J]. 网络与信息安全学报, 2022, 8(5): 56-65.
[14]	张娴, 朱建明, 隋智源, 明盛智. 数字货币交易匿名性与监管的博弈分析[J]. 网络与信息安全学报, 2022, 8(5): 150-157.
[15]	刘峰, 杨杰, 齐佳音. 区块链密码学隐私保护技术综述[J]. 网络与信息安全学报, 2022, 8(4): 29-44.