Lokal diferansiyel mahremiyetli sürekli konum paylaşımında çıkarım saldırıları ve savunmalar

Lokal diferansiyel mahremiyet (LDP), son zamanlarda yaygın olarak kullanılan bir mahremiyet standardı haline gelmiştir. LDP'nin artan popülerliği ile birlikte, güncel çalışmalar LDP'yi konum verilerinin toplanması ve konum tabanlı hizmetlerin (LBS) mahremiyet korumalı kullanımı üzerinde uygulamaya başlamıştır. Ancak, konum verisi paylaşımı ve LBS kullanımının birçok pratik uygulamasında, kullanıcının konumunu veri toplayıcı (örneğin LBS sağlayıcısı) ile sürekli olarak paylaşması gerekmektedir. Her bir konumun mahremiyeti LDP ile korunuyor olsa da, kullanıcının ardışık konumları arasındaki korelasyonlar, kullanıcının gerçek konumlarını tahmin etmek için kullanılabilir. Bu fikirden yola çıkarak, bu tezde LDP altında sürekli konum paylaşımına karşı yeni çıkarım saldırıları öneriyoruz. Önerdiğimiz saldırılar iki kategoriye ayrılmıştır: sabit kullanıcılar için Bayesçi saldırgan formülasyonuna dayalı istatistiksel saldırılar ve mobil kullanıcılar için Gizli Markov Modeli (HMM) tabanlı saldırılar. Ayrıca, HMM tabanlı saldırılarımız için iki ilerletme öneriyoruz (bilgilendirilmiş ve zincir saldırılar); bu ilerletmeler saldırganın topluluk istatistiklerini saldırıya dahil etmesini veya HMM inşasını birden fazla kez tekrarlamasını sağlayarak saldırı etkinliğini arttırmaktadır. Saldırılarımızı dört popüler LDP protokolüne (GRR, RAPPOR, OUE, OLH), üç veri kümesine ve farklı mahremiyet seviyelerine uyarlıyor ve uyguluyoruz. Deney sonuçları, saldırılarımızın oldukça etkili olduğunu ve sürekli konum paylaşımında LDP kullanımının getirdiği mahremiyet risklerini ortaya koymaktadır. Ayrıca, sonuçlar saldırılarımızın tasarlandıkları kullanıcı kategorileri için daha uygun olduğunu göstermektedir; yani, sabit kullanıcılar için istatistiksel saldırılar HMM tabanlı saldırılara göre daha yüksek etkinlik sağlarken, mobil kullanıcılar için HMM tabanlı saldırılar daha yüksek etkinlik sağlamaktadır. HMM tabanlı saldırılarımız bitvektör-bazlı LDP protokolleri (örneğin RAPPOR ve OUE) üzerinde etkili olsa bile, yüksek bellek kullanımı ve uzun yürütme süresi gibi verimlilik sorunları yaşadıklarını gözlemledik. Bu sorunlar, özellikle kafes boyutları büyük olduğunda veya saldırgan hassas konum çıkarımı yapmayı hedeflediğinde saldırılarımızın ölçeklenebilirliğini kısıtlamaktadır. Bu nedenle, saldırı HMM'lerinden düşük gerçekleşme olasılığına sahip durumları çıkartarak saldırılarımızın zaman ve bellek verimliliğini arttıracak buluşsal yöntemler öneriyoruz. Deney sonuçları ile gösteriyoruz ki, yöntemlerimiz sayesinde saldırılar orjinal versiyonlarına kıyasla benzer etkinlik seviyelerini koruyabilirken, bellek ve zaman maliyetleri on kattan fazla azalabilmektedir. Son olarak, saldırılarımıza karşı üç savunma stratejisi öneriyoruz: Memoization, Replay ve Replication. Memoization yönteminde, her kullanıcı orjinal değerinin bozulmuş bir versiyonunu saklar ve bu değer, veri toplayıcıya raporlanmadan önce ikinci kez bozulur. Replay yönteminde, her kullanıcı önceki konumlarını ve bozulmuş karşılıklarını bir önbellekte saklar. Herhangi bir konum tekrarlandığında, kullanıcı yeni bir bozulma işlemi yapmak yerine eski bozulmuş versiyonu önbellekten çekerek gönderir. Replication yönteminde ise, kullanıcının güncel konumu bir önceki konumuna benzer ise, kullanıcı bir önceki raporladığı değeri tekrarlar. Bu üç savunmayı dört LDP protokolü, üç veri kümesi, farklı mahremiyet seviyeleri ve sabit ve mobil kullanıcıları içeren deney düzeneğimizde değerlendiriyoruz. Deney sonuçları, savunmalarımızın saldırı etkinliğini azaltmada başarılı olduğunu göstermektedir. Ayrıca, savunmaların etkinlik, verimlilik ve yararlılık yönlerini farklı koşullar altında eleştirel bir şekilde analiz ediyor ve hangi durumda hangi savunmanın tercih edilmesi gerektiğine dair öneriler sunuyoruz.