图隐私论文速递：De-anonymizability of Social Network: Through the Lens of Symmetry

作者：gufe_hfding

论文概况

今天分享的论文是上交傅洛伊老师团队发表在MobiHoc 2020上的“De-anonymizability of social network: through the lens of symmetry”，主要聚焦在去匿名性的量化计算上，是一篇理论论文。目前，研究匿名性量化的论文不多，仅有4篇，如下：

Benjie Miao, Shuaiqi Wang, Luoyi Fu, Xiaojun Lin. De-anonymizability of social network: through the lens of symmetry. MobiHoc 2020: 71-80
Shouling Ji, Prateek Mittal, Raheem A. Beyah. Graph Data Anonymization, De-Anonymization Attacks, and De-Anonymizability Quantification: A Survey. IEEE Commun. Surv. Tutorials 19(2): 1305-1326 (2017)
Shouling Ji, Weiqing Li, Neil Zhenqiang Gong, Prateek Mittal, Raheem A. Beyah. Seed-Based De-Anonymizability Quantification of Social Networks. IEEE Trans. Inf. Forensics Secur. 11(7): 1398-1411 (2016)
Shouling Ji, Weiqing Li, Shukun Yang, Prateek Mittal, Raheem A. Beyah. On the relative de-anonymizability of graph data: Quantification and evaluation. INFOCOM 2016: 1-9

这个话题本身是一个有趣的话题，其核心要义是在于对一个去匿名化攻击的能力的量化，或者对匿名化后的图的去匿名化精准度量化。当前有这么多不同的去匿名化攻击算法，也有很多匿名保护算法，某一特定的去匿名算法作用在不同匿名保护算法保护后的匿名图上时，其能达到的效果如何？既可以作为去匿名算法能力的量化，也可以对不同去匿名算法在抗某一去匿名算法能力方面的的量化。

2016-2017年的3篇论文都出自纪守领老师团队，是研究的较多了，后续会逐步分享，今天重点分享傅洛伊老师团队的这篇论文。

论文创新

这篇论文将对称性和图去匿名性进行结合，特别是将去匿名性的上界量化为对称性量化，对一般的图去匿名性（seedless based de-anonymizability）的上界值量化为匿名图与辅助图顶点排序映射的双随机矩阵的对角值的和。
这种量化方法给出了一个理论的上界值，有一定的价值，实际应用如何，还有待进一步观察。

论文启示

个人觉得在隐私保护领域，还是能够实践的攻击、保护、或者量化方法更优现实意义，这个领域是一个常新的领域。在图数据隐私领域，图的拓扑结构对攻击、保护和量化都至关重要，如何能用更多的拓扑结构信息来帮助隐私研究室一个重点，比如说本文提到的对称性，对称性的本质可以来量化去匿名性，那么普遍的添加对称性是不是就可以提高匿名效果？攻击成功的核心要义是不是就是发现不对称性？那么去匿名攻击就是提出对称性的影响？或者说剔除虚假的添加边，使得对称性变化最大的那一个可能就是最好的去匿名方法。