The Power and Pitfalls of Transparent Privacy Policies in Social Networking Service Platforms
用户在社交网络服务平台（SNS）上披露的个人数据量不断增加。除非SNS的政策是隐私友好的，否则它们很容易受到隐私风险的影响，因为它们忽略了隐私政策。设计者和监管机构一直在推动更短、更简单、更突出的隐私政策，但缺乏透明政策增加知情同意的证据。为了回答这个问题，我们进行了一项在线实验，要求214名Facebook常规用户加入一个虚构的SNS。我们实验操纵的隐私友好的SNS的政策和各种威胁的二级数据的使用和数据的可见性。一半的参与者甚至错误地回忆起了最正式的“完美”和易于阅读的隐私政策。大多数情况下，用户回忆起的政策比实际上更隐私友好。此外，参与者在意识到存在可见性威胁时会自我审查他们的披露，但对二手数据使用的威胁不太敏感。我们提出了设计建议，以增加知情同意。
2019-12-04 cs.CY cs.HC cs.SI
Preserving Co-Location Privacy in Geo-Social Networks
社交网络上的人数呈指数级增长。用户每天都会分享大量的个人信息和内容。该内容可以用地理空间和时间坐标标记，这些坐标对于某些用户来说可能是敏感的。虽然用户显然需要彼此共享这些信息，但也存在对共享其信息的条件进行更大控制的实质性需求。在地理感知社交网络（GeoSN）中发布的内容通常涉及多个用户，并且其通常可由多个用户访问，而发布者不知道这些用户的隐私偏好。这使得GeoSN用户难以控制哪些关于他们的信息可用以及对谁可用。因此，缺乏保护用户隐私的手段，让人们担心隐私问题。本文讨论了一个特殊的隐私威胁，发生在GeoSN：共址隐私威胁。它涉及的信息的可用性在同一地点的多个用户在给定的时间，违背他们的意愿。解决的挑战是支持隐私，同时仍然使有用的服务。
2012-03-30 cs.CY cs.SI physics.soc-ph
YOURPRIVACYPROTECTOR, A recommender system for privacy settings in social networks
确保社交网络用户的隐私可能是一个无法解决的难题。同时，社交网络参与者对现有隐私选项的知情使用可以减轻-甚至防止-一些更严重的隐私厌恶事件。不幸的是，最近的调查显示，普通用户要么不知道这些选项，要么不使用它们，可能是由于它们的复杂性。因此，有理由相信，帮助用户完成两项任务的工具：1）根据他们的隐私设置和广泛的隐私类别了解他们的社交网络行为，以及2）推荐合理的隐私选项，将是社交网络环境中日常隐私实践的有价值的工具。本文介绍了YourPrivacyProtector，一个推荐系统，显示如何简单的机器学习技术可以提供有用的帮助，在这两个任务的Facebook用户。我们支持我们的主张与经验的结果YourPrivacyProtector应用到两组Facebook用户。
2016-02-05 cs.CR cs.CY cs.IR
Privacy in Social Media: Identification, Mitigation and Applications
社交媒体的日益普及吸引了大量的人每天参加许多活动。这会产生大量丰富的用户生成数据。这些数据为研究人员和服务提供商提供了研究和更好地了解用户行为的机会，并进一步提高个性化服务的质量。发布用户生成的数据有暴露个人隐私的风险。社交媒体中的用户隐私是一个新兴的任务，近年来引起了越来越多的关注。这些作品从两个不同的角度研究了社交媒体中的隐私问题：识别漏洞和减轻隐私风险。最近的研究表明，用户生成的数据对两种一般类型的攻击，身份披露和属性披露的脆弱性。这些隐私问题要求社交媒体数据发布者在发布之前通过对用户生成的数据进行净化来保护用户的隐私。因此，已经提出了各种保护技术来匿名化用户生成的社交媒体数据。有大量的文献从许多角度对社交媒体中的用户隐私进行了研究。在本次调查中，我们回顾了社交媒体中用户隐私的主要成就。特别是，我们审查和比较国家的最先进的算法方面的隐私泄漏攻击和匿名化算法。我们从社交媒体的不同方面概述了隐私风险，并将相关工作分为五组：1）图形数据匿名化和去匿名化，2）作者身份识别，3）个人资料属性泄露，4）用户位置和隐私，以及5）推荐系统和隐私问题。我们还讨论了社会化媒体中用户隐私问题的开放问题和未来的研究方向。
2018-08-07 cs.CR cs.SI
Social Media and User Privacy
在线用户产生了大量的数据。为了更好地服务用户，需要在研究人员、广告商和应用程序开发人员之间共享用户相关数据。公布这些数据将引发对用户隐私的更多担忧。为了鼓励数据共享并减轻用户隐私问题，已经开发了许多匿名化和去匿名化算法来帮助保护用户的隐私。本文回顾了我的博士研究在线用户的隐私，特别是在社交媒体。特别是，我提出了一种新的专门针对社交媒体数据的对抗攻击。我还提供了一种原则性的方法来评估匿名化社交媒体数据的不同方面的有效性。我的工作揭示了社交媒体数据中新的隐私风险，这是由于用户生成数据的固有异质性。
2018-06-26 cs.CR cs.SI
Private Social Network Data Sharing
在线社交网络的日益普及给最终用户带来了巨大的隐私威胁。虽然现有的工作主要集中在从社交网络中推断敏感属性，如年龄，位置和性别，很少有人做了如何保护用户的隐私，防止恶意推断。本文针对现有社交网络的隐私脆弱性，设计了一个隐私保护框架。我们评估了该框架的隐私性和有用性保证，证明了其分类和防御隐私攻击的有效性。
2017-07-26 cs.CR cs.SI
On analyzing and evaluating privacy measures for social networks under active attack
在现代互联网时代，诸如Facebook、Twitter和LinkedIn的复杂互连社交网络的广泛使用也不幸地为恶意实体侵犯这些网络的用户的隐私打开了大门。在这篇文章中，我们从理论和经验两方面研究了最近在（Information Sciences，328，403-417，2016）中引入的主动攻击下大型网络的隐私侵犯措施。我们的理论结果表明，如果网络拓扑不包含环，则负责防止隐私侵犯的网络管理员在设计网络时必须非常小心。我们的实证结果揭示了8个真实的社交网络以及大量的合成网络的隐私侵犯性质的经典Erdos-Renyi模型和Barabasi-Albert偏好依恋模型产生的无标度随机网络。
2018-09-16 cs.SI
Comprehensive Privacy Risk Assessment in Social Networks Using User Attributes Social Graphs and Text Analysis
本文提出综合隐私风险评分框架CPRS，融合用户属性、社交图谱与文本内容量化隐私风险，并在两个真实数据集上验证其有效性，为个性化隐私管理提供可扩展方法。
2025-07-20 cs.SI
Smart Deferral of Messages for Privacy Protection in Online Social Networks
尽管社交网络有几个普遍的优点，如与熟人和朋友沟通的容易性和即时性，但由没有经验甚至不负责任的用户鲁莽地发布敏感材料引起的重大隐私威胁也是显而易见的。然而，一个不同的，但同样危险的隐私风险可能会出现从社交网络分析其用户的在线活动的基础上，前者和后者之间的互动的时间戳。为了挫败这最后一类通常被忽视的攻击，本文提出了一种新颖的，智能的延迟机制，在线社交网络的消息。这样的解决方案建议智能地延迟由终端用户在社交网络中发布的某些消息，使得由攻击者生成的观察到的在线活动简档不揭示任何基于时间的敏感信息。进行的实验以及建议的架构实现这种方法证明了我们的机制的适用性和可行性。
2014-01-22 cs.SI
Preserving Link Privacy in Social Network Based Systems
越来越多的研究利用基于社交网络的信任关系来改善系统的功能。然而，这些系统将用户的信任关系暴露给对手，在当今社会，信任关系被认为是敏感信息。在这项工作中，我们做出了以下贡献。首先，我们提出了一种算法，扰乱了社会图的结构，以提供链接隐私，在社会图的效用略有减少的成本。第二，我们定义了一般的指标来表征扰动图的效用和隐私。第三，我们评估我们提出的算法使用现实世界的社交图的效用和隐私。最后，我们证明了我们的扰动算法在广泛的安全系统，包括西比尔防御和安全路由的适用性。
2012-08-30 cs.CR cs.SI
MetaPriv: Acting in Favor of Privacy on Social Media Platforms
Facebook和Instagram等社交网络以跟踪用户在线行为以获取商业利益而闻名。直到今天，除了放弃使用这些平台之外，几乎没有其他方法可以实现隐私。然而，许多用户不愿意这样做，因为方便或社会和专业的原因。在这项工作中，我们提出了一种平衡的便利性和隐私FB通过混淆。我们已经创建了MetaPriv，这是一个基于模拟用户与FB交互的工具。MetaPriv允许用户在他们的帐户中添加噪音交互，从而将FB的分析算法引入歧途，并使他们根据自己的兴趣和习惯绘制不准确的个人资料。为了证明我们的工具的有效性，我们在一个虚拟帐户和两个现有的用户帐户上进行了广泛的实验。我们的结果表明，通过使用我们的工具，用户可以在短短几周内实现更高程度的隐私。我们相信MetaPriv可以进一步发展，以适应其他社交媒体平台，并帮助用户重新获得隐私，同时保持合理的便利性。为了支持开放科学和可重复的研究，我们的源代码在网上公开。
2022-09-08 cs.SI
Social Networks Research Aspects: A Vast and Fast Survey Focused on the Issue of Privacy in Social Network Sites
近年来，人们越来越多地参与在线活动，如内容发布，并具有不同种类的关系和交互，以及在线社交网络的出现和人们对它们的广泛倾向，已经导致了大量以前从未有过的有价值的信息的产生和可用性，并引入了一些新的、有吸引力的、变化的、和有用的研究领域。本文综述了近年来有关社交网站信息的研究成果，并介绍了社交网站信息分析的一些重要应用。这将为研究人员引入一些新的研究领域。通过回顾这一领域的研究，我们将提出一个关于在线社交网络的研究主题的分类。这一分类包括17个研究子主题或子领域，这些子领域将与这些子领域中的一些已完成的研究一起介绍。根据个人和私人信息泄露的后果（轻微，重大，有时是灾难性的），研究人员广泛调查的一个研究领域是在线社交网络中的隐私。在概述了SNS的不同研究领域之后，我们将更加关注社交网络中的隐私保护子领域，并介绍了它的不同方面以及这些方面的分类。
2012-01-18 cs.SI
Semantic Web Approach towards Interoperability and Privacy issues in Social Networks
社交网络是通过万维网将人们联系起来的一组社会关系。这个社交网络包括网站和软件是如何设计和开发的，以支持社会关系。社会化网络引入的新范式、工具和网络服务被互联网用户广泛接受。这些工具的主要缺点是它充当独立的数据孤岛;因此应用程序之间的互操作性是一个复杂的问题。本文重点讨论这个问题以及如何最好地使用语义Web技术来实现应用程序之间的互操作性。
2014-10-08 cs.SE cs.SI
Data Trading with a Monopoly Social Network: Outcomes are Mostly Privacy Welfare Damaging
本文认为，分布式在线社交网络中具有异构隐私价值的战略个体的数据（例如，如果在垄断买家的环境中交易，Facebook）的价格将被低估，并将导致功利主义福利的减少。对于某类在线社区数据交易问题，该结果与流行的信息经济学直觉形成鲜明对比，该直觉认为，数据市场中终端用户数据信号的量增加会提高其效率。我们提出的理论铺平了道路，为未来（反直觉）分析数据交易寡头垄断市场的在线社交网络（OSN）。
2021-11-24 cs.SI
AgentSocialBench: Evaluating Privacy Risks in Human-Centered Agentic Social Networks
Carnegie Mellon University（卡内基梅隆大学）
研究探讨了人类中心代理社交网络中的隐私挑战，提出AgentSocialBench基准，揭示代理协作中隐私保护的复杂性及现有LLM在隐私保护上的不足。
2026-04-06 cs.AI cs.SI
Toward the Prevention of Privacy Threats: How Can We Persuade Our Social Network Platform Users?
在在线社交网络中共享内容时的隐私政策选择等复杂决策问题可以从人工智能系统中受益匪浅。通过使用计算论证，可以说服人类用户修改他们的初始决策，以避免潜在的隐私威胁和侵犯。在本文中，我们提出了一项研究，超过186青少年用户，旨在分析他们的行为时，我们试图说服他们修改敏感内容的在线社交网络（OSN）与不同的参数发布。研究结果显示，人格特质和社会互动数据（例如，参与者的评论、朋友和喜欢的数量）与论点的说服力显著相关。因此，这些特征集可用于对OSN用户进行建模，并估计在人机交互中使用时不同论点的说服力。本文中提出的研究结果是有助于个性化的决策支持系统，旨在教育和防止侵犯隐私的OSN使用参数。
2022-11-10 cs.SI
InfoRest: Restricting Privacy Leakage to Online Social Network App
近年来，在线社交网络（OSN）作为社交交互服务在全球互联网用户中变得非常流行。OSN促进了第三方应用程序（TPA），为用户提供了许多额外的功能。在提供扩展服务的同时，TPA访问用户数据，这将引起对用户隐私的严重关注。这是由于OSN缺乏用户数据保护机制，并且目前的OSN平台都没有为用户私人数据提供令人满意的保护机制。在本文中，我们提出了一个访问控制框架称为InfoRest限制用户数据到TPA在OSN中，考虑用户的隐私偏好和属性泛化。此外，我们提出了一个基于关系的访问控制（ReBAC）策略模型，并使用谓词演算来表示访问条件。所提出的策略模型的可用性和正确性证明与使用答案集编程开发的逻辑模型的帮助。
2019-05-15 cs.SI
Creative beyond TikToks: Investigating Adolescents' Social Privacy Management on TikTok
本研究通过对瑞士54名青少年的访谈，基于COM-B模型探究其在TikTok上的社交隐私管理行为，发现了算法推荐相关的新隐私管理模式，并提出了保护青少年隐私的干预措施。
2023-01-27 cs.CR cs.SI
How to Cooperate Locally to Improve Global Privacy in Social Networks? On Amplification of Privacy Preserving Data Aggregation
在许多系统中，用户的隐私依赖于参与者的数量，这些参与者共同应用某种方法来保护他们的安全。事实上，关于揭示来自一组用户的聚合数据，已经有许多经典的结果。结论通常是这样的：如果你有足够多的朋友来“聚集”这些私人数据，你就可以安全地透露你的私人信息。除了数据聚合，人们注意到，在更广泛的背景下，隐私往往可以减少到隐藏在人群中。一般来说，问题是如何创造这样的人群。这个任务在一些分布式系统中可能并不容易，其中出于实际原因，收集足够的“个体”是困难的。这样的示例是社交网络（或类似系统），其中用户仅具有有限数量的半可信联系人，并且他们的目的是以隐私保护方式揭示一些聚合数据。这在存在可能另外破坏一些用户的强大对手的情况下可能特别成问题。我们展示了两种方法，允许显着放大隐私，只有有限数量的本地操作和非常温和的通信开销。除了理论分析，我们在现实生活中的社交网络的拓扑结构上展示了实验结果，以证明我们的方法可以显着放大所选择的聚合协议的隐私，即使面对一个强大的对手的大规模攻击。然而，我们相信，我们的研究结果可以有更广泛的应用，提高系统的安全性的基础上本地信任关系。
2017-04-26 cs.SI
Leveraging Personalization To Facilitate Privacy
在线社交网络使新的协作和共享方法和模式成为可能。这些进步带来了隐私问题：在线社交数据更容易访问和持久，同时比传统的社交互动更少情境化。为了减轻这些担忧，许多网络服务允许用户根据一组多项选择题来配置他们的隐私设置。我们提出了一种新的隐私选择模式。服务可以利用对用户特征的了解，为Facebook推荐一个机器学习的隐私偏好预测，而不是向每个用户推荐相同的默认值。作为一个案例研究，我们建立和评估MyPrivacy，一个公开的Web应用程序，建议个性化的隐私设置。对199名用户的评估表明，用户认为这些建议是适当和私密的;此外，他们表示打算实施MyPrivacy提出的建议。这支持了将个性化应用于在线社区以促进隐私和安全的建议。
2014-06-10 cs.CY cs.SI physics.soc-ph
Privacy-Preserving Social Network with Multigrained and Multilevel Access Control
我研究了两个隐私保护社交网络图，以揭示连接边的关系类型并提供灵活的多粒度访问控制。为了创建这样的图表，我的方案采用了秘书和关系类型的概念。它比那些使用昂贵的密码原语的算法效率高得多。我还展示了如何将这些方案用于具有各种选项的多粒度访问控制。此外，我描述了多少这些计划是弹性的，以推断连接边的类型。
2014-04-02 cs.CR cs.SI
A Survey on Privacy and Security in Online Social Networks
在线社交网络（OSN）是一个永久的存在，在今天的个人和职业生活的一个巨大的部分人口，直接影响到离线活动。建立在信任的基础上用户与其他有共同兴趣或重叠的个人兴趣的用户建立联系在线社交网络和相关的应用程序提取了前所未有的大量个人信息。不出所料，出现了严重的隐私和安全风险，将自己定位为两种主要类型的攻击：利用嵌入在公开的社交关系中的隐含信任的攻击;以及收集用户个人信息用于恶意用途的攻击。本文概述了迄今为止OSN中出现的隐私和安全问题。我们介绍了OSN中的隐私和安全攻击的分类，我们概述了现有的解决方案，以减轻这些攻击，并概述了仍然需要克服的挑战。
2015-01-27 cs.CR cs.SI
Cross-Network Social User Embedding with Hybrid Differential Privacy Guarantees
Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）；School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络空间安全学院）；School of Cyber Science and Technology, Beihang University（北京航空航天大学网络空间安全学院）；Sony AI（索尼人工智能）；Salesforce（赛富时）；Zhejiang University（浙江大学）；Macquarie University（麦考瑞大学）；University of Illinois Chicago（伊利诺伊大学芝加哥分校）
集成多个在线社交网络（OSN）对许多下游社交挖掘任务具有重要意义，例如用户偏好建模，推荐和链接预测。然而，不幸的是，它伴随着越来越多的隐私问题泄露敏感的用户信息。如何充分利用来自不同在线社交网络的数据，同时保护用户隐私，在很大程度上仍然没有解决。为此，我们提出了一个跨网络的社会用户嵌入框架，即DP-CroSUE，学习全面的表示用户的隐私保护的方式。我们共同考虑来自具有差分隐私保证的部分对齐的社交网络的信息。特别是，对于每个异构的社会网络，我们首先引入了一个混合差分隐私的概念，以捕捉异构数据类型的隐私期望的变化。其次，为了发现用户在社交网络中的联系，我们进行了无监督的基于用户嵌入的对齐，其中用户嵌入是通过异构网络嵌入技术实现的。为了进一步增强用户嵌入，设计了一种新的跨网络GCN嵌入模型，通过这些对齐的用户跨网络传输知识。在三个真实数据集上的大量实验表明，该方法在用户兴趣预测任务和防御用户属性推断攻击方面都有显着改进。
2022-09-04 cs.AI cs.SI
Resolving Multi-party Privacy Conflicts in Social Media
通过社交媒体共享的项目可能会影响多个用户的隐私-例如，描述多个用户的照片、提及多个用户的评论、邀请多个用户的事件等。当前主流社交媒体基础设施中缺乏多方隐私管理支持使得用户无法适当地控制这些项目实际上被共享给谁。能够将多个用户的隐私偏好合并到一个项目的单个策略中的计算机制可以帮助解决这个问题。然而，合并多个用户的隐私偏好并不是一件容易的事情，因为隐私偏好可能会发生冲突，因此需要解决冲突的方法。此外，这些方法需要考虑用户如何实际上就冲突的解决方案达成一致，以便提出受要共享的项目影响的所有用户都可以接受的解决方案。目前的方法要么要求太高，要么只考虑聚合隐私偏好的固定方式。在本文中，我们提出了第一个计算机制，以解决冲突的多方隐私管理在社交媒体，能够适应不同的情况下，通过建模的让步，用户达成解决冲突。我们还提出了一个用户研究的结果，我们提出的机制优于其他现有的方法，在多少倍，每种方法匹配用户的行为。
2016-02-22 cs.SI
Message in a Sealed Bottle: Privacy Preserving Friending in Social Networks
许多基于接近度的移动社交网络被开发来促进任何两个人之间的连接，或者帮助用户在一定距离内找到具有匹配简档的人。在这些应用中，一个具有挑战性的任务是保护参与者的个人资料和个人利益的隐私。在本文中，我们设计了新的机制，当给定的偏好配置文件提交的用户，搜索一个人与匹配配置文件在分散的多跳移动社交网络。我们的机制是保护隐私的：没有参与者的个人资料和提交的偏好配置文件被暴露。我们的机制在发现匹配用户的同时，在发起者和匹配用户之间建立了一条安全的通信通道，严格的分析表明，我们的机制是安全的、隐私保护的、可验证的，并且在通信和计算上都是有效的。使用真实的社交网络数据进行的广泛评估和智能手机上的实际系统实现表明，我们的机制比现有的解决方案更有效。
2012-07-31 cs.CR cs.SI
Securing Social Media User Data - An Adversarial Approach
社交媒体用户产生了大量的数据。为了更好地服务用户，需要在研究人员、广告商和应用程序开发人员之间共享用户相关数据。公布这些数据将引发对用户隐私的更多担忧。为了鼓励数据共享并减轻用户隐私问题，已经开发了许多匿名化和去匿名化算法来帮助保护社交媒体用户的隐私。在这项工作中，我们提出了一个新的对抗攻击专门用于社会媒体数据。我们还提供了一种原则性的方法来评估匿名化社交媒体数据的不同方面的有效性。我们的工作揭示了社交媒体数据中新的隐私风险，这是由于用户生成数据的固有异质性，需要在共享用户数据和保护用户隐私之间取得平衡。
2018-05-01 cs.CR cs.SI
Personalized Social Recommendations - Accurate or Private?
随着最近像Facebook这样的社交网络的兴起，新形式的推荐已经成为可能--个性化的广告推荐、内容推荐，甚至是基于一个人的社交互动的新朋友和产品联系。由于推荐可能使用敏感的社交信息，因此推测这些推荐与隐私风险相关。这项工作的主要贡献是在正规化这些预期的权衡之间的准确性和隐私的个性化社会建议。在本文中，我们研究是否“社会建议”，或建议，完全基于用户的社交网络，可以在不披露敏感的链接在社交图。更准确地说，我们量化的效用损失时，现有的推荐算法进行修改，以满足一个强有力的隐私概念，称为差分隐私。我们证明了任何推荐算法的最小效用损失的下界是差异私人。我们适应两个隐私保护算法的差分隐私文献的社会建议的问题，并分析其性能的下限相比，分析和实验。我们表明，良好的私人社交推荐仅适用于社交网络中的一小部分用户或宽松的隐私参数设置。
2011-05-21 cs.CR cs.DB cs.SI
Preserving privacy enables "co-existence equilibrium" of competitive diffusion in social networks
随着社交媒体的出现，不同的公司经常同时推广竞争产品，以获得社交网络中用户的口碑传播和采用。对于这种竞争扩散的情况，先前的研究表明，较弱的产品将很快灭绝（即，“赢家通吃”）。然而，有趣的是，在实践中，竞争产品，如iPhone和Android手机，往往在市场上共存。这种差异可能是由许多因素造成的，例如现实世界中的用户可能由于对产品或隐私保护的不满意而不会传播其对产品的使用的现象。在本文中，我们将用户的隐私传播行为的竞争扩散的两种产品，并开发了一个问题的隐私意识的竞争扩散。然后，我们证明了隐私保护机制可以实现“共存均衡”（即，两种竞争产品在均衡中共存）在社交网络上的竞争扩散中。除了严格的分析，我们还证明了我们的结果与实验在真实的网络拓扑结构。
2019-11-02 cs.CR cs.SI
Fairness and/or Privacy on Social Graphs
CISPA Helmholtz Center for Information Security（CISPA亥姆霍兹信息安全中心）
本文全面研究了图神经网络（GNNs）中的公平性与隐私问题，通过跨数据集实验评估了多种公平性干预措施，揭示了公平性、隐私与准确性之间的权衡关系，为构建更稳健且符合伦理的图学习模型提供了重要见解。
2025-03-03 cs.CY cs.LG cs.SI
MPC meets SNA: A Privacy Preserving Analysis of Distributed Sensitive Social Networks
在本文中，我们正式的分布式敏感社交网络（DSSNs），其中包括网络，如敌意网络，金融交易网络，供应链网络和性关系网络的概念。与研究得很好的传统社交网络相比，考虑到网络所编织的个人的隐私问题，DSSN的研究往往更具挑战性。在目前的工作中，我们设想使用安全的多方工具和技术进行隐私保护社会网络分析在DSSNs。作为实现这一目标的一步，我们设计了有效的数据无关算法，用于计算给定DSSN的K壳分解和PageRank中心性度量。所设计的数据不经意算法可以转化为等价的安全计算协议。我们还列出了一系列需要解决的挑战，采用安全计算协议作为一个实际的解决方案，研究DSSNs。
2017-05-19 cs.CR cs.SI
Privacy-driven Access Control in Social Networks by Means of Automatic Semantic Annotation
在在线社交网络（OSN）中，用户通常通过发布消息来泄露关于他们自己的敏感信息。同时，由于以下问题，它们（在许多情况下）不能适当地管理对该敏感信息的访问：i）由OSN实现的访问控制机制的僵化，以及ii）许多用户缺乏关于数据隐私和访问控制的技术知识。为了解决这些限制，在本文中，我们提出了一个动态的，透明的和隐私驱动的访问控制机制，在OSN中发布的文本消息。隐私驱动的概念是通过分析要发布的消息的语义来实现的，并据此评估其内容的敏感程度。为此目的，所提出的系统依赖于一个自动语义注释机制，通过使用知识库和语言工具，能够关联的意义要发布的信息。通过这种注释，我们的机制自动检测的信息是敏感的，根据数据的发布者的隐私要求，关于类型的读者，可以访问这些数据。最后，我们的访问控制机制自动创建净化版本的用户的出版物根据类型的读者访问他们。因此，我们的建议，它可以集成到现有的社交网络，提供了一个自动的，无缝的和内容驱动的保护用户出版物，这是一致的，她的隐私要求和类型的读者访问它们。作为系统设计的补充，我们还讨论了系统的可行性，通过一个真实的例子来说明它，并评估其准确性和有效性超过标准的方法。
2016-07-04 cs.CR cs.CY cs.SI
How Far Removed Are You? Scalable Privacy-Preserving Estimation of Social Path Length with Social PaL
社会关系是人类做出信任决策的自然基础。在线社交网络（OSN）越来越多地被用于让用户基于社交关系的存在和强度来做出信任决策。虽然大多数OSN允许用户发现到其他用户的社交路径的长度，但它们以集中的方式这样做，因此要求他们依赖于服务提供商并揭示他们对彼此的兴趣。本文介绍了社会PaL，系统支持的隐私保护发现任意长度的社会路径之间的任何两个社会网络用户。我们克服了在所有相关的先前工作中遇到的自举问题，证明了社交PaL允许其用户找到长度为2的所有路径，并发现更长路径的显著部分，即使只有一小部分OSN用户在社交PaL系统中-例如，发现70%的路径，只有40%的用户。我们使用可扩展的服务器端架构和模块化的Android客户端库来实现Social PaL，允许开发人员将其无缝集成到他们的应用程序中。
2015-06-23 cs.CR cs.SI
P4GCN: Vertical Federated Social Recommendation with Privacy-Preserving Two-Party Graph Convolution Network
Xiamen University（厦门大学）；Insightone Tech Co., Ltd（智联科技有限公司）
本文提出P4GCN方法，通过隐私保护两方图卷积网络实现纵向联邦社交推荐，在无需直接访问敏感社交数据的前提下提升推荐准确性，并在四个数据集上验证其优于现有方法。
2025-02-04 cs.AI cs.IR cs.LG
Privacy Intelligence: A Survey on Image Privacy in Online Social Networks
该综述针对在线社交网络图像分享的隐私风险与现有保护方案的不足，从用户视角提出隐私智能分析框架，梳理相关智能解决方案并展望未来方向。
2025-06-17 cs.CR cs.SI
Empowering Evolving Social Network Users with Privacy Rights
在社交网络上存在着对隐私的相当大的关注，并且关于如何扩展用户需要的构件以有效地保护他们的隐私权的巨大争论持续存在。虽然已经提出了许多有趣的想法，但似乎没有一种方法足够全面，可以成为领跑者。在本文中，我们提出了一个全面的和新颖的参考概念模型的隐私在不断发展的社交网络，并建立其新颖性，通过简要对比它与当代的研究。我们还提出了一个可能的查询语言，我们可以开发的参考模型的理想功能的轮廓，并参考一个新的查询语言，{ \em PiQL}，开发的基础上，这个模型的目的是支持用户驱动的隐私政策的创作和执行。我们的模型的优势在于，通过开发适当的语言结构作为查询语言（如SQL）的一部分，这种扩展现在是可能的，正如PiQL中所展示的那样。
2013-12-01 cs.CR cs.DB cs.SI
Shared data granularity: A latent dimension of privacy scoring over online social networks
隐私评分旨在衡量用户在在线社交网络（OSN）上的隐私侵犯风险。该领域现有的工作依赖于可能有偏见或情绪化的调查数据，并且只关注像Facebook这样的个人目的OSN。与现有的工作相比，在这篇论文中，我们使用从LinkedIn收集的真实世界的OSN数据，LinkedIn是最流行的专业用途的OSN（ProOSN）。为此，我们开发了一个广泛的爬虫程序来收集5，389个LinkedIn用户的所有相关个人资料数据，使用关系数据库和图形数据库对这些数据进行建模，并定量分析了文献中的所有隐私风险评分方法。此外，我们提出了一种新的评分方法，考虑粒度的数据OSN用户在她的个人资料页面上的份额。现有的和建议的评分方法进行了广泛的实验评估表明，所提出的解决方案的有效性。
2021-05-01 cs.CR cs.SI
LinkMirage: How to Anonymize Links in Dynamic Social Systems
基于社交网络的信任关系为设计可信系统提供了重要基础，如Sybil防御，安全路由和匿名/审查客户端通信。在设计这样的系统中的一个关键问题，是用户的信任的社会联系人的启示，在当今社会中被认为是敏感的敌对信息。在这项工作中，我们专注于保护用户的社交联系人的隐私的挑战，同时仍然使社会信任为基础的应用程序的设计。首先，我们提出了LinkMirage，一个基于社区发现的算法，用于在社交网络拓扑中匿名化链接; LinkMirage保留了社区拓扑中的社区结构，同时匿名化社区内的链接。LinkMirage考虑了社会网络拓扑结构的演变，并最大限度地减少由于系统的时间动态的隐私泄漏。其次，我们定义了量化的隐私和实用性的时间序列的社会拓扑与匿名链接的指标。我们从理论上分析了LinkMirage提供的隐私和实用性，以及使用现实世界的社交网络拓扑结构：Facebook数据集与870 K链接和大规模的Google+数据集与940 M链接。我们发现，我们的方法显着优于现有的最先进的。最后，我们证明了LinkMirage在现实世界中的应用，如Sybil防御，信誉系统，匿名系统和顶点匿名的适用性。我们还原型LinkMirage作为一个Facebook的应用程序，使现实世界的系统可以引导隐私保护的信任关系，而无需OSN运营商的合作。
2016-10-12 cs.SI
PRINCE: Privacy-Preserving Mechanisms for Influence Diffusion in Online Social Networks
由于方程1中的一个关键符号错误，本文已被作者撤回。随着在线社交网络的发展，人们对如何在在线社交网络中传播影响力进行了广泛的研究，提出了许多算法和模型。然而，许多基本问题也被忽视了。其中，最重要的问题是在线社交网络中影响力传播的激励方面和隐私方面（如节点关系）。考虑到这些缺陷，并结合强大的工具，从差分隐私，我们提出了PRINCE，这是一系列的\underline{IN}流感\underline{CE}在网上社交网络的扩散，以解决问题的\underline{PR} ivacy保护机制。我们不仅从理论上证明了PRINCE的许多优良性质，而且还实现了PRINCE，以广泛地评估其性能。评估结果表明，PRINCE取得了良好的性能。据我们所知，PRINCE是在线社交网络中第一个差异化的影响力扩散机制。
2014-02-12 cs.GT cs.SI
Privacy Policy Negotiation in Social Media
社交媒体涉及许多共享项目，例如照片，可能涉及多个用户。我们在本文中解决的第一个挑战是开发一种方法，让这些项目的用户决定向谁分享这些项目。这不是一个容易的问题，因为用户对同一项的隐私偏好可能冲突，因此仅以某种方式合并用户的隐私偏好的方法可能提供不令人满意的结果。我们提出了一个协商机制，让用户同意妥协的冲突found.The第二个挑战，我们在本文中解决涉及到这样的协商机制的指数复杂性，这可能会使它太慢，在实践中使用的社会媒体基础设施。为了解决这一问题，我们提出了减少谈判机制的复杂性，并通过广泛的实验评估，比较了谈判机制的性能，没有这些谈判机制，并显示如何从使用这些谈判机制可以得到实质性的好处。此外，我们表明，这样一个启发式的协商机制产生的结果足够快，可以在实际的社交媒体基础设施与接近最佳的结果。
2014-12-17 cs.SI
SocialGenPod: Privacy-Friendly Generative AI Social Web Applications with Decentralised Personal Data Stores
University of Edinburgh（爱丁堡大学）；University of Oxford（牛津大学）
SocialGenPod利用Solid去中心化规范，将用户数据与生成式AI应用解耦，实现隐私友好的Web应用，支持用户控制数据访问并实现跨服务可移植性。
2024-03-15 cs.CR cs.CY cs.IR
Developers Need Protection, Too: Perspectives and Research Challenges for Privacy in Social Coding Platforms
像GitHub这样的社交编码平台（SCP）由于其协作和版本控制功能，已经成为现代软件工程的核心。与Facebook等主流在线社交网络（OSN）一样，SCP用户的个人资料和软件存储库中包含大量个人和项目相关数据，因此他们会受到隐私攻击和威胁。然而，与OSN不同的是，SCP用户的隐私问题和实践尚未在当前的文献中得到广泛的探讨和记录。在这项工作中，我们提出了一个在线调查的初步结果（N=105）解决开发人员的关注和感知的隐私威胁蒸汽从SCP。我们的研究结果表明，尽管用户对社交和组织隐私威胁表示担忧，但他们通常认为在这些平台上分享个人和项目相关信息是安全的。此外，针对敏感属性的推断的攻击被认为比那些寻求重新识别源代码贡献者的攻击更有可能。基于这些研究结果，我们提出了一套建议，为未来的调查解决隐私和身份管理的SCP。
2023-03-03 cs.HC cs.SE cs.SI
A Distributed Privacy-Preserving Learning Dynamics in General Social Networks
Shandong University（山东大学）；Qilu University of Technology（齐鲁工业大学）；Beihang University（北京航空航天大学）
本文研究了一般拓扑结构下社交网络中的分布式隐私保护学习问题。代理可以通过网络相互通信，这可能导致隐私泄露，因为代理的可信度不能得到保证。给定一组产生未知随机回报的选项，每个代理都需要学习最好的一个，目的是最大化所得到的期望平均累积回报。为了实现上述目标，我们提出了一个四阶段的分布式算法，有效地利用代理之间的合作，同时为他们每个人保留本地隐私。特别地，我们的算法迭代地进行，并且在每一轮中，每个代理i）出于隐私保护的目的随机扰动其采用，ii）通过随机行走以几乎均匀的方式在社交网络上传播扰动的采用，iii）通过参考从其对等体接收到的扰动建议来选择选项，以及iv）根据其最新的奖励反馈来决定是否采用所选择的选项作为偏好。通过坚实的理论分析，我们量化的代理数量（或通信开销），隐私保护和学习效用之间的权衡。我们还进行了大量的模拟，以验证我们提出的社会学习算法的有效性。
2023-01-27 cs.AI cs.SI
A Random Matrix Approach to Differential Privacy and Structure Preserved Social Network Graph Publishing
在线社交网络正越来越多地用于分析各种社会现象，例如流行病学、信息传播、营销和情感流动。流行的分析技术，如聚类和有影响力的节点分析，需要计算实图的邻接矩阵的特征向量。最近对Netflix和AOL数据集的去匿名化攻击表明，对此类图表的开放获取会造成隐私威胁。在各种隐私保护模型中，差分隐私提供了最强的隐私保护。结合随机矩阵理论和差分隐私理论，提出了一种满足差分隐私保证的社交网络图数据发布隐私保护机制.其核心思想是利用随机投影方法将邻接矩阵的每一行投影到一个低维空间，然后用随机噪声扰动投影矩阵。我们表明，与现有的方法相比，差分私人近似的特征向量，我们的方法是计算效率高，保持效用和满足差分隐私。我们评估我们的方法在Facebook，Live Journal和Pokec的社交网络图。结果表明，即使对于高值的噪声方差σ = 1的归一化互信息增益给出的聚类质量是低至0.74。对于有影响力的节点发现，所提出的方法是能够正确地恢复80个最有影响力的节点。我们还将我们的结果与[43]中提出的方法进行了比较，该方法通过拉普拉斯噪声直接扰动原始数据的特征向量。结果表明，该方法需要较大的随机扰动才能保持差分隐私，从而导致对大型社交网络的特征向量估计不佳。
2013-07-01 cs.CR cs.SI physics.soc-ph
DECENT: A Decentralized Architecture for Enforcing Privacy in Online Social Networks
大量的隐私泄露，无论是意外的还是恶意的，都促使用户不信任在线社交网络（OSN）的集中式提供商，并调查分散式解决方案。我们研究了一个完全分散的（点对点）OSN的设计，特别关注隐私和安全。特别是，我们希望保护用户内容的机密性、完整性和可用性以及用户关系的隐私。我们提出DECENT，OSN的架构，使用分布式哈希表存储用户数据，并具有加密保护的机密性和完整性，以及支持灵活的属性策略和快速撤销。DECENT确保数据和社交关系对未授权用户不可见，并通过更新的复制和身份验证提供可用性。我们评估DECENT通过模拟和实验的PlanetLab网络，并表明DECENT是能够复制当前集中式OSN的主要功能与可管理的开销。
2011-12-16 cs.CR cs.NI cs.SI
Social Distancing 2.0 with Privacy-Preserving Contact Tracing to Avoid a Second Wave of COVID-19
如何在重新开放经济后避免第二波COVID-19疫情是一个紧迫的问题。SARS-CoV-2极高的基本繁殖数$R_0$（新研究显示为5.7至6.4）使挑战进一步复杂化。在这里，我们评估了社交距离2.0的影响，即接近警报（保持人际距离）加上隐私保护的联系人追踪。为了解决这一双重任务，我们开发了一个开源移动应用程序。该应用程序使用基于蓝牙的分散式联系人跟踪平台，政府或第三方无法通过该平台链接匿名用户ID。模拟结果显示，50%的社交距离2.0采用率，加上隐私保护的接触者追踪，将足以将$R_0$降低到小于1，并防止COVID-19疫情的死灰复燃。
2020-08-06 cs.CR cs.SI
On Privacy of Socially Contagious Attributes
在数据汇集中保护用户隐私的一种常用方法是在收集之前对用户的真实数据进行随机扰动，以便在不危及个人所持有的秘密的情况下仍然可以推断出聚合的统计数据。在本文中，我们仔细看看差分隐私保证的有效性，当敏感属性受到社会影响和传染。我们首先表明，在没有任何知识的传染网络，一个对手，试图从扰动的预测的真实值，不能实现ROC曲线下面积（AUC）以上$1-(1-δ)/(1+e^\varepsilon)$，如果数据集被扰动使用$(\varepsilon,δ)$ -差分私有机制。然后，我们证明，有了传染网络和模型的知识，人们可以做得更好。我们证明，我们的方法通过差分隐私所施加的性能限制。我们的实验还表明，对他人具有高影响力的节点比其他节点更有可能泄露自己的秘密。通过对合成网络和真实网络的大量实验，显示了其性能。
2019-09-02 cs.SI physics.soc-ph
Publishing Community-Preserving Attributed Social Graphs with a Differential Privacy Guarantee
我们提出了一种新的方法发布差异私人合成属性图。与以前的方法不同，我们的方法能够保留原始图的社区结构，而不牺牲捕获全局结构属性的能力。我们的建议依赖于C-AGM，一个新的社区保持属性图的生成模型。我们配备C-AGM与有效的方法，属性图采样和参数估计。对于后者，我们引入差分私有计算方法，这使我们能够发布具有强大的正式隐私保证的社区保护合成属性社交图。通过全面的实验，我们表明，我们的新模型优于其最相关的同行在合成差异私人属性的社会图，保留社区结构的原始图，以及度序列和聚类系数。
2019-08-31 cs.CR cs.SI physics.soc-ph
Privacy Preserving Social Network Publication Against Mutual Friend Attacks
出于研究目的发布社交网络数据引起了对个人隐私的严重关注。针对不同的攻击模式，有许多隐私保护方案。在本文中，我们介绍了一种新的隐私攻击模型，并称之为一个共同的朋友攻击。在这个模型中，对手可以通过使用他们共同的朋友数量来重新识别一对朋友。为了解决这个问题，我们提出了一个新的匿名概念，称为k-NMF匿名，即，k-匿名的共同朋友的数量，这确保存在至少k-1个其他朋友对在图中共享相同数量的共同朋友。我们设计算法来实现的k-NMF匿名性，同时保持原始的顶点集的意义上，我们允许偶尔添加，但没有删除的顶点。此外，我们给出了一个算法，以确保除了k-NMF匿名的k-度匿名。在真实数据集上的实验结果表明，该方法能够有效地保护社交网络的隐私和实用性，抵御共同好友攻击.
2013-10-11 cs.CR cs.DB cs.SI
Burning some myths on privacy properties of social networks against active attacks
本研究通过图论中的$k$-度量反维度概念，证明社交网络在主动攻击下并非普遍缺乏隐私，随机图与真实网络实验均显示$1$-度量反维度图极为罕见，并提出了相关数学性质与图操作以进一步保障隐私。
2025-04-17 cs.SI math.CO
Impact of Social Learning on Privacy-Preserving Data Collection
我们研究了一个模型，其中数据收集器通过支付机制从用户处获取数据，旨在从引发的数据中了解底层状态。每个用户的私人信号代表了她对状态的了解;通过社交互动，每个用户还可以学习她的社交朋友的信号的嘈杂版本，这被称为“学习组信号”。多亏了社会学习，用户在私人信号之外拥有了关于国家的更丰富的信息。基于她的私人信号和学习的组信号，每个用户做出战略决策，以向数据收集器报告她的数据的隐私保护版本。我们建立了一个贝叶斯博弈论框架来研究社会学习对用户数据报告策略的影响，并据此设计了数据收集者的支付机制。我们的研究结果表明，在一般情况下，所需的数据报告策略在贝叶斯-纳什均衡的形式可以是一个对称的随机响应（SR）的战略或信息非扩散（ND）的战略。具体来说，一个广义的多数表决规则是由每个用户应用到她的嘈杂的组信号，以确定遵循哪种策略。此外，当用户使用ND策略时，她完全基于她的组信号而独立于她的私有信号来报告隐私保护数据，这指示她的隐私成本为零。我们强调，当用户使用ND策略时，报告的数据仍然是关于潜在状态的信息，因为它是基于她学习的组信号。因此，数据收集器和用户都可以从社会学习中受益，这降低了隐私成本，并有助于在给定的支付预算下改善状态估计。我们进一步推导出的最低总支付需要达到一个给定的水平的状态估计精度的界限。
2019-03-07 cs.GT cs.SI
walk2friends: Inferring Social Links from Mobility Profiles
定位技术的发展已经导致可用的移动性数据量的增加。在给人们的生活带来诸多便利的同时，这样的可获得性也引发了人们对隐私的严重担忧。在本文中，我们集中在一个最敏感信息，可以推断出从移动数据，即社会关系。我们提出了一种新的社会关系推理攻击，依赖于一个先进的特征学习技术，自动总结用户的移动功能。与现有的方法相比，我们的攻击能够预测任何两个人的社会关系，它不需要对手有任何先验知识的现有的社会关系。这些优势大大增加了我们攻击的适用性和隐私评估的范围。在一个大型数据集上进行的大量实验表明，我们的推理攻击是有效的，并实现了13%至20%的最佳国家的最先进的计划之间的改进。我们提出了三种防御机制-隐藏，替换和泛化-并评估其有效性，以减轻移动数据共享带来的社会联系隐私风险。我们的实验结果表明，隐藏和替换机制优于泛化。此外，隐藏和替换实现了效用和隐私之间的可比权衡，前者保留更好的效用，后者提供更好的隐私。
2017-09-05 cs.CR cs.SI
Multifaceted Privacy: How to Express Your Online Persona without Revealing Your Sensitive Attributes
最近在社交网络流分析中的工作表明，用户的在线角色属性（例如，性别、种族、政治利益、地点等）可以从用户所写或参与的主题中准确地推断出来。属性和偏好推断已被广泛用于提供个性化推荐、定向广告以及增强社交网络中的用户体验。然而，泄露用户的敏感属性可能对某些个人构成隐私威胁。微靶向（例如，Cambridge Analytica丑闻）、监视和歧视性广告是敏感属性推断对用户隐私造成威胁的例子。在本文中，我们提出了多方面的隐私，一种新的隐私模型，旨在混淆用户的敏感属性，同时公开维护用户的公共人物。为了实现多方面的隐私，我们构建了Aegis，这是一个以客户为中心的原型社交网络流处理系统，有助于保护多方面的隐私，从而允许社交网络用户自由表达他们的在线角色，而不会泄露他们选择的敏感属性。Aegis允许社交网络用户控制哪些角色属性应该公开显示，哪些应该保持隐私。为此，Aegis不断向社交网络用户推荐主题和标签，以混淆他们的敏感属性，从而混淆基于内容的敏感属性推断。建议的主题经过精心选择，以保留用户公开显示的人物角色属性，同时隐藏其私人敏感人物角色属性。我们的实验表明，添加少至0至4个混淆职位（取决于如何揭示原始职位）成功地隐藏用户指定的敏感属性，而不改变用户的公共人物属性。
2019-05-23 cs.CR cs.SI
Examining the impacts of privacy awareness on user's self-disclosure on social media
本研究旨在探讨使用者隐私意识对其自我揭露行为的影响。我们的主要研究问题是调查年轻的社交媒体用户如何看待在社交媒体上自我披露的好处和风险，以及风险-收益意识如何影响他们对自我披露的评估。根据我们记录的数据，因子分析和三因素方差分析，我们得出结论，谁知道更多的隐私好处的用户在社交媒体上分享更多（F= 36.291; df 1; sig < .001），而那些谁知道的好处较少披露在社交媒体上。分析结果表明，对自我表露风险了解越多的用户在社交媒体上的分享越少（F= 7.001; df 1; sig < .001）。用户在社会媒体平台上的信息披露较少，这是基于其风险感知水平的不同（df 3，F=.715，sig < 0.5）。这表明社交媒体平台上的风险在一定程度上有所不同。我们看到，人们的分享习惯取决于他们的风险、收益和社交媒体平台。有一件事仍然是肯定的，那就是用户在社交媒体上参与和披露的主要好处是他们需要与朋友保持联系，以及他们对社区的需求。另一方面，主要的风险是不需要被人冒充和误解。基于对我们所问的开放式问题的简单频率分析，在我们的数据汇集中，我们回答中最突出的词是“人”和“朋友”。这是我们收集的关于自我披露的好处、风险和意图的所有数据中最突出的两个词。
2023-03-14 cs.HC cs.SI
Automated PII Extraction from Social Media for Raising Privacy Awareness: A Deep Transfer Learning Approach
University of Arizona（亚利桑那大学）；University of Maryland（马里兰大学）；University of South Florida（南佛罗里达大学）；University of Georgia（佐治亚大学）
互联网用户在社交媒体上暴露了越来越多的个人身份信息（PII）。此类暴露的PII可能会给用户造成严重损失，告知用户他们的PII暴露对于提高他们的隐私意识并鼓励他们采取保护措施至关重要。为此，需要先进的自动化技术。虽然信息抽取（IE）技术可用于自动提取PII，但基于深度学习（DL）的IE模型减轻了对特征工程的需求并进一步提高了效率。然而，基于DL的IE模型通常需要大规模的标记数据进行训练，但由于隐私问题，PII标记的社交媒体帖子很难获得。此外，这些模型严重依赖于预先训练的词嵌入，而社交媒体中的PII通常形式不同，因此在预先训练的词嵌入中没有固定的表示。在这项研究中，我们提出了用于PII提取的深度迁移学习（DTL-PIIE）框架来解决这两个限制。DTL-PIIE将从公开的PII数据中学到的知识转移到社交媒体，以解决罕见的PII标记数据的问题。此外，我们的框架利用图卷积网络（GCN）来整合语法模式来指导PIIE，而不依赖于预先训练的词嵌入。对基准IE模型的评估表明，我们的方法优于国家的最先进的DL为基础的IE模型。我们的框架可以促进各种应用，如PII误用预测和隐私风险评估，保护互联网用户的隐私。
2021-11-11 cs.AI cs.LG cs.SI
