伟徳国际官网登录入口網絡技術與信息安全教學與研究中心師生的研究論文《Anchor Link Prediction for Privacy Leakage via De-Anonymization in Multiple Social Networks》日前被網絡與信息安全領域頂級期刊IEEE Transactions on Dependable and Secure Computing（IEEE TDSC）接受。論文作者依次為王煥然（博士生）、楊武、苘大鵬、王巍、呂繼光。
IEEE TDSC是信息安全研究領域頂級國際期刊，屬于中國計算機學會推薦的A類國際期刊。TDSC期刊主要關注計算機及網絡安全、可靠性領域最新的研究進展和技術。該期刊年收錄論文總數量不到100篇。
社交網絡用戶的去匿名化技術，是一種針對用戶個人隐私技術的反問題研究。今年我院發表的成果旨在研究多社交網絡場景下的去匿名化方法，聚焦社交網絡中的隐私洩露問題。針對社交網絡語義差異對于錨鍊接預測任務帶來的影響，該論文提出了基于聯邦對抗學習的錨鍊接預測模型。在該篇論文中，作者提出了社交網絡語義對于深度特征空間的影響，以及不同社交網絡語義差異對于跨網絡任務的影響，即不同社交網絡的語義差異進一步加劇了單一網絡中相鄰節點相似性對于跨網絡任務的制約。針對上述問題，該論文引入聯邦學習思想，構建聯邦對抗學習框架。通過聯邦對抗學習框架關聯原本獨立的不同社交網絡的深度特征構建過程，以此消除不同社交網絡語義差異對于跨網絡任務的影響。在單一網絡的特征構建過程中，該論文通過節點的網絡結構角色之間的參考關系，構建相鄰節點在深度特征空間的差異，來進一步提升跨網絡任務的性能。
錨鍊接預測場景
聯邦對抗學習框架
論文實驗結果表明，作者所設計的聯邦對抗學習框架可以有效地提升用戶身份識别性能。在三個真實數據集上與傳統方法進行對比，該論文所提出的方法在準确率上提升4%到10%。
聯邦對抗學習的思想為多社交網絡的任務提供了全新的思考角度與解決方案，這種聯合訓練過程構建了傳統表示學習過程的關聯性，使得跨網絡特征在不同特征空間中傳播，減少了由語義差異造成的不同深度特征空間之間的差異。該方法不僅能夠應用于跨社交網絡的任務中，還可以被廣泛應用于不同深度學習模型的聯合訓練任務中。據了解，該論文發表作者所屬團隊目前在多社交網絡相關的去匿名化、用戶信息關聯、數字取證等相關領域展開多項具體研究，力争産出更多原創性高水平科研成果。