Don't be a Victim During a Pandemic! Analysing Security and Privacy Threats in Twitter During COVID-19
在COVID-19封锁期间,社交媒体平台的使用量大幅上升。这些封锁期导致了一系列新的网络犯罪,从而使攻击者能够用一系列威胁来攻击社交媒体用户。本文进行了一项大规模研究,以调查流行病和封锁期对社交媒体用户安全和隐私的影响。我们分析了来自533天数据抓取的1060万条与COVID相关的推文,并调查了用户在三个不同时期(即,在锁定之前、期间和之后)。我们的研究表明,用户在撰写有关大流行形势的文章时,无意中分享了更多的个人身份信息(例如,分享附近的冠状病毒检测地点)。如果用户发布三条或更多关于疫情的敏感推文,隐私风险将达到100%。我们调查了疫情不同阶段社交媒体上共享的可疑域名数量。我们的分析显示,与其他锁定阶段相比,锁定期间可疑域名的数量有所增加。我们观察到,IT、搜索引擎和企业是包含可疑域的前三大类别。我们的分析表明,对手煽动恶意活动的策略会随着国家的流行情况而变化。
2023-03-26 cs.CR cs.CY cs.SI
Twitter has a Binary Privacy Setting, are Users Aware of How It Works?
Twitter帐户默认情况下是公开的,但Twitter提供了创建受保护帐户的选项,只有经过批准的追随者才能看到他们的推文。公开可见信息的变化基于帐户类型和推文的可见性也仅取决于发帖者的帐户类型,这可能导致意外的披露,特别是当用户交互时。我们调查了336名Twitter用户,以了解用户对账户信息可见性的认知,以及用户交互时的推文可见性。我们发现,我们的参与者都知道他们的个人资料信息和个人推文的可见性。但是,关注的主题、列表和与受保护帐户的交互的可见性令人困惑。只有31%的参与者意识到,公共账户对受保护账户推文的回复将公开可见。令人惊讶的是,拥有受保护的帐户并不能更好地了解帐户信息或推文可见性。
2022-11-22 cs.HC cs.SI
Privacy-Aware Recommender Systems Challenge on Twitter's Home Timeline
Twitter(推特);Deepmind Technologies(深度思维科技公司);University of Sarajevo(萨拉热窝大学);Free University of Bozen-Bolzano(博尔扎诺自由大学);Politecnico di Bari(巴里理工大学);Universidade Federal de Campina Grande(坎皮纳格兰德联邦大学);Clemson University(克莱姆森大学);University of Colorado Boulder(科罗拉多大学博尔德分校)
推荐系统构成了当今大多数社交网络平台的核心引擎,旨在最大限度地提高用户满意度以及其他关键业务目标。Twitter也不例外。尽管Twitter数据已被广泛用于了解社会经济和政治现象以及用户行为,但用户通过在主页时间轴上的互动在Twitter上提供的隐性反馈仅在有限程度上得到了探索。与此同时,缺乏大规模的公共社交网络数据集,使科学界能够制定基准,并建立更强大和全面的模型,根据用户的兴趣定制内容。通过发布1.6亿条推文的原始数据集以及参与信息,Twitter旨在解决这一问题。在此版本中,特别注意保持遵守现有的隐私法。除了用户隐私之外,本文还涉及研究人员和专业人士在努力预测用户参与度时所面临的关键挑战。它进一步描述了由ACM RecSys与Twitter合作使用该数据集组织的RecSys 2020挑战赛的关键方面。
2020-10-07 cs.LG cs.SI stat.ML
Your Actions Tell Where You Are: Uncovering Twitter Users in a Metropolitan Area
Twitter是一个非常受欢迎的社交网络平台。由于隐私问题,大多数Twitter用户不会透露他们的位置。虽然推断个人Twitter用户的位置已经被广泛研究,但在不扫描整个Twitter领域的情况下有效地找到特定地理区域中的大多数用户仍然是缺失的,并且获得这些用户将产生积极和消极的意义。在本文中,我们提出了LocInfer,一种新颖的轻量级系统来解决这个问题。LocInfer探讨了Twitter中的用户通信具有很强的地理局部性这一事实,我们通过大规模数据集验证了这一点。本文以美国四个具有代表性的大都市区为研究对象,LocInfer可以发现平均86.6%的用户,每个区域的准确率为73.2%,只需检查一小部分候选用户。我们还提出了一个对策,高度敏感的用户位置隐私,并通过模拟显示其有效性。
2015-08-03 cs.SI
Crawling Twitter data through API: A technical/legal perspective
在线媒体驱动的社交网络关系的流行在今天的数字时代得到了证明。这些出现所带来的许多挑战包括巨大的不断增长的社交关系网络,以及通过社交网站的不同平台(即Facebook,Twitter,LinkedIn,Instagram等)不断生成的大量数据。这些数据是用户的个人身份信息(PII),也可用于某些平台,而其他人则允许以某种受限的许可下载它以用于研究目的。用户可访问的数据有助于为用户提供更好的推荐服务,然而,PII可以被用来盗用用户并对他们造成严重损害。因此,在为各种服务提供可访问的PII的同时,维护用户的隐私至关重要。因此,这是一个紧迫的问题,拿出一种方法,可以帮助用户在获得更好的推荐服务,而他们的隐私受到伤害。在本文中,提出了一个框架,同样的。此外,如何通过Twitter API抓取和使用数据已经被广泛讨论。除此之外,还强调了在抓取数据时有关PII的各种安全和法律观点。我们相信本文所提出的方法可以作为未来数据隐私领域研究的基准。
2021-05-22 cs.SI
I Wish I Didn't Say That! Analyzing and Predicting Deleted Messages in Twitter
School of Informatics(信息学院);University of Edinburgh(爱丁堡大学)
Twitter已经成为社交媒体研究人员的主要数据来源。Twitter以前没有考虑的一个重要方面是{ \em deletions} --从流中删除tweet。删除可能是由于多种原因,如隐私问题,轻率或试图撤销公开声明。我们展示了如何提前自动预测删除,并分析哪些推文可能被删除以及如何删除。
2013-05-14 cs.CL cs.SI
Privacy Leakage through Innocent Content Sharing in Online Social Networks
在线社交网络和全球化互联网接入的日益普及和无处不在影响了人们分享内容的方式。用户在这些平台上自愿披露的信息可以用于各种目的,从建立广告的消费者模型到推断个人的、可能具有侵犯性的信息。在这项工作中,我们使用Twitter,Instagram和Foursquare数据来传达这样一个想法,即用户共享的内容,特别是在跨平台聚合时,可能会泄露比最初预期更多的信息。我们进行了两个案例研究:首先,我们通过模仿在一组用户中查找匿名帖子的用户身份的场景来执行用户去匿名化。对真实社会网络配置文件样本的实证评估表明,跨平台聚合在用户识别方面带来了显着的性能增益。在第二个任务中,我们证明了可以根据共享的Twitter和Instagram内容推断用户的物理位置访问。我们提出了一个信息性评分函数,估计的相关性和新颖性的共享信息的推理任务。这一措施是验证使用主动学习框架,选择最翔实的内容在每个给定的时间点。基于一个大规模的数据样本,我们表明,通过这样做,我们可以获得更好的推理性能。在某些情况下,这种性能甚至超过了使用用户的完整时间轴。
2016-07-10 cs.CY cs.SI
The Dynamics of Offensive Messages in the World of Social Media: the Control of Cyberbullying on Twitter
21世纪重新定义了我们的沟通方式,我们对个人和群体隐私的概念,以及可接受的行为规范的动态。Twitter(一个互联网社交网络)上的消息动态开辟了传播信息的新方式/模式。因此,网络欺凌或一般而言,传播攻击性信息是一个普遍存在的问题。本报告的目的是确定和评估会抑制Twitter上网络欺凌动态作用的条件。我们提出了一个离散时间的非线性房室模型,探讨如何引入一个隔离类可能有助于阻止攻击性消息的传播。我们基于最近的Twitter数据,这个模型的参数与社区认为最具攻击性的话题有关,并发现Twitter总是可以达到一定程度的隔离,这将立即抑制攻击性消息的传播,而且这种隔离程度与传播消息的罪犯数量无关。我们希望,对这一动态模型的分析将有助于了解减少公共社交网络中网络欺凌的新方法模型的可行性。
2014-07-31 cs.CY cs.SI physics.soc-ph
A Privacy-Preserving Architecture for the Protection of Adolescents in Online Social Networks
在线社交网络(OSN)构成了人们日常社交活动的组成部分。具体而言,Twitter、YouTube和Facebook等主流OSN在青少年的生活中尤为突出,用于在线与他人交流、表达和娱乐自己以及查找信息。然而,青少年在使用在线平台时面临大量威胁。其中一些威胁包括攻击性行为和网络欺凌、性行为、虚假新闻和虚假活动、激进化以及个人信息和敏感内容的曝光。迫切需要家长控制工具和互联网内容过滤技术,以保护使用在线平台的弱势群体。现有的家长控制工具偶尔会侵犯青少年的隐私,导致他们使用其他沟通渠道,以避免节制。在这项工作中,我们设计和实施了一个以用户为中心的家庭咨询套件,旨在保护个人对其监护人和咨询工具本身的隐私。此外,我们提出了一个系统的过程,用于设计和开发最先进的技术和系统架构,以防止未成年人在浏览器上使用Facebook,Twitter和YouTube时暴露于众多风险和危险。
2020-09-18 cs.SI
Social Media and Information Overload: Survey Results
一份基于英国的在线问卷调查了Facebook、LinkedIn和Twitter等用户生成媒体的使用情况,吸引了587名参与者。结果显示,与Facebook等社交网络媒体的参与度很高,与专业媒体、微博和博客等其他媒体的参与度也很高。经历信息过载的参与者是那些不太经常与媒体接触的人,而不是那些需要阅读的帖子较少的人。专业用户对社交用户表现出不同的行为。微博用户抱怨信息过载的程度最大。三分之二的Twitter用户认为他们收到了太多的帖子,超过一半的Twitter用户认为需要一个工具来过滤掉不相关的帖子。一般来说,参与者对媒体表示满意,但也有少数人表示了一系列关切,包括信息过载和隐私问题。
2013-06-04 cs.CY cs.SI physics.soc-ph
Posting with credibility in Micro-blogging systems using Digital Signatures and Watermarks: A case study on Twitter
微博客是当代的广播服务,用于交换视频和图像等内容的小元素。尽管微博很受欢迎,但它并非没有问题。到目前为止,各种安全问题,如:微博系统的隐私和机密性已经引起了科学界的兴趣。然而,在本文中,我们提到了一个与发布和传播假消息有关的安全问题。为了使微博成为一个可靠的信息来源,在这项工作中,我们提出了一个协议,作为一种解决方案,可以很容易地适应现有的服务,如:Twitter和Facebook。该解决方案的主要关键是采用数字签名和水印,该协议可以为各种类型的内容的发布提供服务。最后,该解决方案具有双重目的,即证明虚假消息以及拒绝发布。
2016-12-30 cs.CR cs.SI
Privacy-Preserving Online Content Moderation: A Federated Learning Use Case
Cyprus University of Technology(塞浦路斯理工大学);Telefonica Research(西班牙电信研究院)
用户每天都在各种社交网络平台上接触大量有害内容。一种解决方案是使用机器学习技术开发在线审核工具。但是,在线平台对用户数据的处理需要遵守隐私政策。联邦学习(FL)是一种ML范例,其中在用户的设备上本地执行训练。尽管FL框架在理论上符合GDPR政策,但隐私泄露仍有可能发生。例如,访问最终训练模型的攻击者可以成功地对属于参与训练过程的用户的数据进行不必要的推断。在本文中,我们提出了一个隐私保护FL框架,结合差分隐私(DP)的在线内容审核。为了证明我们的方法的可行性,我们专注于检测Twitter上的有害内容-但整体概念可以推广到其他类型的不当行为。我们模拟了一个文本分类器-在FL时尚-它可以检测有害内容的推文。我们表明,拟议的FL框架的性能可以接近集中的方法-DP和非DP FL版本。此外,即使少量客户端(每个客户端具有少量数据点)可用于FL训练,它也具有高性能。当减少客户端的数量(从50到10)或每个客户端的数据点(从1 K到0.1K)时,分类器仍然可以实现约81%的AUC。此外,我们将评估扩展到其他四个Twitter数据集,这些数据集捕获了不同类型的用户不当行为,并且仍然获得了有希望的性能(61% - 80% AUC)。最后,我们探讨了FL训练阶段用户设备上的开销,并表明本地训练不会引入过多的CPU利用率和内存消耗开销。
2022-09-23 cs.LG cs.SI
Behind the Mask: A Computational Study of Anonymous' Presence on Twitter
School of Computing(计算机学院);University of Kent(肯特大学)
黑客组织Anonymous在其面向公众的性质上是不寻常的。与其他依靠保密和隐私保护的网络犯罪集团不同,匿名者在社交媒体网站Twitter上很流行。在本文中,我们重新审视了一些关键的发现报告在以前的小规模定性研究小组使用大规模的计算分析匿名的存在在Twitter上。我们特别提到一些报告,这些报告驳斥了该组织关于无领导的说法,并指出该组织在2011年至2013年逮捕了一些重要成员后出现了分裂。在我们的研究中,我们首次尝试使用机器学习来识别和分析2008-2019年Twitter平台上超过20,000个匿名账户的网络。反过来,本研究利用社会网络分析(SNA)和中心性的措施,以检查这个大网络内的影响力分布,确定了少数高度影响力的帐户的存在。此外,我们提出了第一个研究的推文从一些确定的关键影响者帐户,并通过使用主题建模,展示了这些突出帐户之间的讨论的总体主题的相似性。这些研究结果提供了强有力的定量证据,以支持匿名者集体的小规模定性研究的主张。
2020-06-15 cs.LG cs.SI
Profile Matching Across Online Social Networks
在这项工作中,我们研究的隐私风险,由于配置文件匹配在线社交网络(OSN),其中匿名配置文件的OSN用户匹配到他们的真实身份,使用辅助信息。我们考虑由用户公开共享的不同属性。这样的属性包括诸如用户名的强标识符和诸如用户在不同平台中的不同帖子之间的兴趣或情感变化的弱标识符两者。我们研究了使用这些属性的不同组合,以显示在一个广泛的方式隐私威胁的配置文件匹配的效果。所提出的框架主要依赖于机器学习技术和优化算法。我们评估了三个数据集(Twitter - Foursquare,Google+ - Twitter和Flickr)的建议框架,并显示如何配置文件的用户在不同的OSN可以匹配的概率很高,通过使用公开共享的属性和/或底层的图形结构的OSN。我们还表明,与依赖于机器学习技术的最新技术相比,所提出的框架显着提供了更高的精度值。我们相信,这项工作将是一个有价值的一步,为OSN用户建立一个工具,以了解他们的隐私风险,由于他们的公共共享。
2020-08-20 cs.CR cs.SI
Infringement of Tweets Geo-Location Privacy: an approach based on Graph Convolutional Neural Networks
在线社交网络(OSN)的巨大普及引起了人们对社交媒体平台中用户隐私的自然关注。尽管OSN中的用户可以通过故意决定分享什么来调整他们的隐私,但与社交网络中的其他个人的交互可能会暴露并最终泄露敏感信息。在所有可共享的个人数据中,地理位置尤其有趣。一方面,用户倾向于认为他们的当前位置是一个非常敏感信息,避免分享它的大部分时间。另一方面,服务提供商有兴趣提取和利用地理标记的数据,以提供定制的服务。在这项工作中,我们考虑的问题,推断当前位置的用户只利用现有的信息,其他社会联系人在OSN。为此,我们采用基于图的深度学习架构来学习在所考虑的时间段内用户的已知和未知地理位置之间的模型。作为一个研究案例,我们考虑Twitter,其中用户生成内容(即,tweet)可以嵌入用户的当前位置。我们的实验验证了我们的方法,并进一步证实了OSN中的数据隐私相关的问题。结果表明存在临界质量现象,即,如果至少有10%的用户提供了带有地理标签的推文,那么所有剩余用户的隐私都将面临严重风险。事实上,我们的方法能够定位近50%的推文,精度低于1公里,只依赖于一小部分可用信息。
2019-03-27 cs.SI
Content Privacy Enforcement Models in Decentralized Online Social Networks: State of Play, Solutions, Limitations, and Future Directions
近年来,去中心化在线社交网络(DOSNs)已经吸引了许多用户的注意,因为它们降低了来自服务提供商的审查、监视和信息泄漏的风险。与基于集中式架构的最流行的在线社交网络(例如,Facebook,Twitter或Instagram),DOSN不是基于作为中央机构的单一服务提供商。事实上,在DOSN上发布的内容存储在其用户可用的设备上,这些设备合作执行提供服务所需的任务。为了持续保证其可用性,用户发布的内容可以存储在其他用户的设备上,因为他们在需要时在线。因此,这些内容必须受到DOSN基础设施的适当保护,以确保只有获得出版商许可的用户才能真正访问这些内容。因此,DOSN需要有效的解决方案来保护每个用户发布的内容相对于社交网络的其他用户的隐私。在本文中,我们调查和比较的主要内容隐私执行模型,目前DOSNs评估其适用性,以支持不同类型的隐私政策的基础上,用户组。这种评估是通过实施几种模型并比较它们在组上执行的典型操作的性能来进行的,即,内容发布、用户加入和离开。此外,我们还强调了目前的方法的局限性,并显示未来的研究方向。这一贡献,除了本身有趣之外,还为有兴趣实现DOSN的研究人员和从业人员提供了一个蓝图,并强调了一些开放的研究方向。
2022-06-07 cs.SI
Detecting fake accounts through Generative Adversarial Network in online social media
本文提出利用生成对抗网络和用户相似性度量,在Twitter数据集中检测假冒账户,实现了80%的AUC分类率。
2025-02-08 cs.AI cs.LG cs.SI
Studying User Footprints in Different Online Social Networks
随着在线社交媒体服务的日益普及和使用,人们现在在Facebook,LinkedIn,Twitter和YouTube等多种多样的服务上拥有账户(有时是几个)。公开信息可用于创建使用这些社交媒体服务的任何用户的数字足迹。生成这样的数字足迹对于个性化、简档管理、检测用户的恶意行为非常有用。分析用户在线数字足迹的一个非常重要的应用是保护用户免受由大量公开可用的用户信息引起的潜在隐私和安全风险。我们通过社交图谱API、社交Feed和Profilactic提取了不同社交网络上的用户身份信息;我们整理了自己的数据集,创建了用户的数字足迹。我们使用用户名、显示名称、描述、位置、配置文件图像和连接数来生成用户的数字足迹。我们应用特定于上下文的技术(例如,Jaro Winkler相似性,基于Wordnet的本体)来测量不同社交网络上的用户简档的相似性。我们特别关注Twitter和LinkedIn。在本文中,我们提出的分析和结果,从应用自动分类消歧属于同一用户的配置文件从不同的社交网络。用户ID和名称被认为是消除用户简档歧义的最具区别性的特征。使用最有前途的一组特征和相似性度量,我们分别实现了98%,99%和96%的准确率,精确率和召回率。
2013-01-29 cs.SI
SENSOR: An ML-Enhanced Online Annotation Tool to Uncover Privacy Concerns from User Reviews in Social-Media Applications
Software Engineering Lab (SEL), Department of Computer Science and Engineering, Islamic University of Technology (IUT)(软件工程实验室(SEL)、计算机科学与工程系、伊斯兰科技大学(IUT));Systems and Software Lab (SSL), Department of Computer Science and Engineering, Islamic University of Technology (IUT)(系统与软件实验室(SSL)、计算机科学与工程系、伊斯兰科技大学(IUT))
本文提出基于机器学习的在线标注工具SENSOR及标注模型GRACE,利用GRU、CBOW和注意力机制对社交媒体应用用户评论进行隐私相关分类,帮助开发者提取并处理隐私相关的功能请求和错误报告,从而增强用户隐私与信任。
2025-07-14 cs.LG cs.SE cs.SI
Forgetting the Forgotten with Letheia, Concealing Content Deletion from Persistent Observers
大多数社交平台都提供允许用户删除帖子的机制,很大一部分用户行使了被遗忘的权利。然而,具有讽刺意味的是,用户试图通过删除来减少对敏感帖子的关注,在实践中,吸引了专门针对这些帖子的跟踪者的不必要的关注。因此,删除可能使用户更容易受到对其隐私的攻击。希望让自己的帖子被遗忘的用户面临着一个“该死的,如果我这样做,该死的,如果我不”的困境。许多人正在转向像Snapchat这样短暂的社交平台,这将剥夺我们重要的用户数据存档。在间歇性的撤退的形式,我们提出,忘忧,一个新的解决方案,这个问题的遗忘被遗忘的。如果下一代社交平台愿意放弃一小部分未删除帖子的不间断可用性,Lethe会在很长一段时间内为已删除帖子提供隐私。在Lethe存在的情况下,敌对观察者变得不确定一些帖子是否被Lethe永久删除或只是暂时撤回;同时,敌对观察者被大量错误标记的未删除帖子淹没。为了证明Lethe的可行性和性能,我们分析了Twitter上用户删除的大规模真实数据,并深入研究了如何选择持续时间分布,以便在临时撤回和未删除帖子的复活之间交替。我们发现,在不同的设置,用户行使他们的删除权的隐私,可用性和对抗性开销之间的一个有利的权衡。我们发现,即使面对能够不间断地访问整个平台的最终对手,Lethe也可以从删除时起提供长达3个月的删除隐私,同时保持高达95%的内容可用性,并将对抗精度保持在20%。
2018-09-25 cs.CR cs.SI
A New Approach for Finding Cloned Profiles in Online Social Networks
如今,Facebook、LinkedIn和Twitter等在线社交网络是互联网上最受欢迎的平台,数百万用户在其上注册以与朋友分享个人信息。在线社交网络服务收集了有关用户的大量数据、社交链接和统计数据,并创建了各种统计数据的大型数字矿山。个人信息的泄露是社交网络用户的一个重要问题。除了信息传播之外,一些新的在线社交网络攻击也被发现,如身份克隆攻击(ICA)。ICA试图创建一个受害者的虚假在线身份,欺骗他们的朋友相信假身份的真实性,以建立社交联系,从而获取受害者朋友的私人信息,而这些信息在他们的公共个人资料中没有共享。有一些身份验证服务执行用户身份验证,但它们是被动服务,它们只保护那些被告知隐私问题和在线身份问题的用户。本文首先对两种类型的轮廓克隆攻击进行了解释,并提出了一种新的方法来检测克隆身份通过定义轮廓相似性和强度的关系措施。根据在检测步骤中计算的用户之间的相似属性和关系强度,通过预定阈值来确定哪个简档是克隆的,哪个是真实的。最后,实验结果表明,所提出的方法的有效性。
2014-06-28 cs.CR cs.SI
Learning Social Circles in Ego Networks based on Multi-View Social Graphs
在社会网络分析中,自我网络中的社交圈自动识别是一项重要的研究课题,具有用户隐私保护、兴趣群体推荐等潜在应用价值。到目前为止,大多数研究都集中在解决两个问题,即,如何检测重叠的圆,以及如何检测圆使用网络结构和网络节点属性的组合。本文提出了一个正交的研究问题,即如何检测圆的网络结构(通常)描述的多个视图的基础上?我们的调查开始于从Twitter上抓取自我网络,并采用经典的技术,通过六个视图,包括用户关系,用户交互和用户内容来建模其结构。然后,我们应用标准和我们修改后的多视图谱聚类技术来检测这些自我网络中的社交圈。基于广泛的自动和手动实验评估,我们提供了两个主要发现:首先,多视图聚类技术比普通的单视图聚类技术性能更好,所述普通的单视图聚类技术仅使用一个视图或天真地集成所有视图用于检测,第二,标准的多视图聚类技术不如我们的修改技术鲁棒,其基于稀疏网络结构(潜在地)不完整的假设来选择性地跨视图传送信息。特别是,第二个发现使我们相信,在潜在不完整的网络上直接应用标准聚类可能会产生有偏差的结果。我们轻轻地研究这个问题,在理论上,我们得出这样的偏见的上限,通过整合理论的谱聚类和矩阵扰动,并讨论它可能会受到影响的几个网络特性。
2016-12-24 cs.LG cs.SI