我院教师在网络与信息安全领域顶级国际期刊IEEE Transactions on Dependable and Secure Computing发表论文

时间:2023-11-16作者:王焕然文章来源:计算机科学与技术学院浏览:804

哈尔滨工程大学计算机科学与技术学院网络技术与信息安全教学与研究中心师生的研究论文《Anchor Link Prediction for Privacy Leakage via De-Anonymization in Multiple Social Networks》日前被网络与信息安全领域顶级期刊IEEE Transactions on Dependable and Secure ComputingIEEE TDSC)接受。论文作者依次为王焕然(博士生)、杨武、苘大鹏、王巍、吕继光。

IEEE TDSC是信息安全研究领域顶级国际期刊,属于中国计算机学会推荐的A类国际期刊。TDSC期刊主要关注计算机及网络安全、可靠性领域最新的研究进展和技术。该期刊年收录论文总数量不到100篇。

社交网络用户的去匿名化技术,是一种针对用户个人隐私技术的反问题研究。今年我院发表的成果旨在研究多社交网络场景下的去匿名化方法,聚焦社交网络中的隐私泄露问题。针对社交网络语义差异对于锚链接预测任务带来的影响,该论文提出了基于联邦对抗学习的锚链接预测模型。在该篇论文中,作者提出了社交网络语义对于深度特征空间的影响,以及不同社交网络语义差异对于跨网络任务的影响,即不同社交网络的语义差异进一步加剧了单一网络中相邻节点相似性对于跨网络任务的制约。针对上述问题,该论文引入联邦学习思想,构建联邦对抗学习框架。通过联邦对抗学习框架关联原本独立的不同社交网络的深度特征构建过程,以此消除不同社交网络语义差异对于跨网络任务的影响。在单一网络的特征构建过程中,该论文通过节点的网络结构角色之间的参考关系,构建相邻节点在深度特征空间的差异,来进一步提升跨网络任务的性能。

锚链接预测场景

联邦对抗学习框架

论文实验结果表明,作者所设计的联邦对抗学习框架可以有效地提升用户身份识别性能。在三个真实数据集上与传统方法进行对比,该论文所提出的方法在准确率上提升4%10%

联邦对抗学习的思想为多社交网络的任务提供了全新的思考角度与解决方案,这种联合训练过程构建了传统表示学习过程的关联性,使得跨网络特征在不同特征空间中传播,减少了由语义差异造成的不同深度特征空间之间的差异。该方法不仅能够应用于跨社交网络的任务中,还可以被广泛应用于不同深度学习模型的联合训练任务中。据了解,该论文发表作者所属团队目前在多社交网络相关的去匿名化、用户信息关联、数字取证等相关领域展开多项具体研究,力争产出更多原创性高水平科研成果。