소셜 네트워크의 상호친구 기반 프라이버시 보호와 k‑NMF 익명화

초록

본 논문은 소셜 네트워크에서 두 사용자의 상호친구 수를 이용한 재식별 공격(‘상호친구 공격’)을 정의하고, 이를 방어하기 위한 k‑NMF 익명성 개념을 제안한다. k‑NMF는 각 연결된 사용자 쌍(에지)의 상호친구 수가 최소 k‑1개의 다른 에지와 동일하도록 그래프를 변형한다. 저자는 정점 삭제 없이 정점 집합을 보존하면서 에지 추가·삭제를 통해 k‑NMF와 동시에 k‑degree 익명성을 달성하는 알고리즘을 설계하고, 실제 소셜 네트워크 데이터에 적용해 효율성과 유용성을 검증한다.

상세 분석

이 논문은 기존의 정점 차수 기반 익명화(k‑degree anonymity)와 달리, 두 정점 사이에 존재하는 공통 이웃(상호친구)의 수를 공격 표적으로 삼는 새로운 위협 모델을 제시한다. 상호친구 수는 해당 에지가 포함된 삼각형의 개수와 동일하므로, 에지 하나를 추가하거나 삭제하면 다수의 다른 에지의 NMF가 변동한다는 점이 핵심 난제이다. 이를 해결하기 위해 저자는 “익명화된 삼각형 보존 원칙(ATPP)”을 도입한다. 이미 익명화된 에지가 포함된 삼각형을 파괴하거나 새로 만들면 해당 에지의 NMF가 변해 재익명화가 필요해지므로, 알고리즘은 이러한 삼각형을 유지하면서 변형을 수행한다.

알고리즘은 크게 두 단계로 구성된다. 첫 번째 단계인 ADD는 에지 추가만으로 k‑NMF를 달성한다. NMF 값을 내림차순으로 정렬한 후, 동일한 NMF 값을 갖는 에지들을 그룹화하고, 각 그룹에 최소 k개의 에지가 포함되도록 필요한 경우 새로운 에지를 삽입한다. 삽입 후보는 BFS 기반으로 선택되며, “최대 상호친구 기준”을 적용해 후보 정점을 결정한다. 두 번째 단계인 ADD&DEL은 에지 추가와 삭제를 모두 허용한다. 삭제 단계에서는 이미 삼각형에 포함된 에지를 우선적으로 제거해 NMF 감소를 최소화한다. 또한, k‑degree 익명성을 동시에 만족시키기 위해 별도의 정점 차수 조정 절차를 포함한다.

복잡도 분석에 따르면, ADD 알고리즘은 에지 수 m에 대해 O(m·|V|) 수준이며, ADD&DEL은 추가적인 삼각형 탐색으로 인해 O(m·|V|²) 정도의 시간 복잡도를 가진다. 실험에서는 Facebook, Twitter, DBLP 등 실제 대규모 네트워크에 적용했으며, 평균 NMF 왜곡, 클러스터링 계수, 평균 최단 경로 길이 등 다양한 구조적 지표에서 원본 그래프와의 차이가 최소화됨을 보였다. 특히, k값을 증가시켜도 정점 집합을 유지하면서 높은 유틸리티를 유지하는 것이 확인되었다.

이 논문의 주요 기여는 (1) 상호친구 공격이라는 새로운 프라이버시 위협 모델을 정의, (2) 이를 방어하기 위한 k‑NMF 익명성 개념을 제시, (3) 정점 보존을 전제로 한 효율적인 에지 기반 익명화 알고리즘을 설계, (4) 삼각형 보존 원칙을 통해 재익명화 비용을 최소화, (5) k‑degree 익명성과의 동시 만족을 위한 통합 프레임워크를 제공한다는 점이다.