Optimization of machine learning methods for de-anonymization in social networks

• Autorzy: Smailov Nunzhigit , Uralova Fatima , Kadyrova Rashida , Magazov Raiymbek , Sabibolda Akezhan

Identyfikatory

DOI

10.35784/iapgos.7098

Warianty tytułu

PL

Optymalizacja metod uczenia maszynowego do deanonimizacji w sieciach społecznościowych

• Języki publikacji: EN

Abstrakty

EN

In recent years, social networks have struggled to meet user protection and fraud prevention requirements under unpredictable risks. Anonymity features are widely used to help individuals maintain their privacy, but they can also be exploited for malicious purposes. In this study, we develop a machine learning-driven de-anonymization system for social networks, with a focus on feature selection, hyperparameter tuning, and dimensionality reduction. Using supervised learning techniques, the system achieves high accuracy in identifying user identities from anonymized datasets. In experiments conducted on real and synthetic data, the optimized models consistently outperform baseline methods on average. Even in cases where they do not, significant improvements in precision are observed. Ethical considerations surrounding de-anonymization are thoroughly discussed, including the responsibility of implementation to maintain a balance between privacy and security. By proposing a scalable and effective framework for analyzing anonymized data in social networks, this research contributes to improved fraud detection and strengthened Internet security.

PL

W ostatnich latach sieci społecznościowe zmagają się z problemem spełnienia wymagań dotyczących ochrony użytkowników i zapobiegania oszustwom w warunkach nieprzewidywalnych zagrożeń. Funkcje anonimowości są powszechnie stosowane, aby pomóc użytkownikom zachować prywatność, ale mogą być również wykorzystywane do celów złośliwych. W niniejszym badaniu opracowaliśmy system deanonimizacji oparty na uczeniu maszynowym, przeznaczony dla sieci społecznościowych, koncentrując się na selekcji cech, dostrajaniu hiperparametrów i redukcji wymiarowości. Dzięki technikom uczenia nadzorowanego system osiąga wysoką dokładność w identyfikowaniu tożsamości użytkowników z anonimizowanych zbiorów danych. W eksperymentach przeprowadzonych na rzeczywistych i syntetycznych danych zoptymalizowane modele konsekwentnie przewyższały metody bazowe średnio. Nawet w przypadkach, gdy tak się nie działo, zaobserwowano znaczące poprawy w zakresie precyzji. Kwestie etyczne związane z deanonimizacją zostały dokładnie omówione, w tym odpowiedzialność za wdrożenie w celu utrzymania równowagi między prywatnością a bezpieczeństwem. Proponując skalowalny i efektywny model analizy anonimizowanych danych w sieciach społecznościowych, badanie to przyczynia się do poprawy wykrywania oszustw i wzmocnienia bezpieczeństwa w Internecie.

Słowa kluczowe

EN

deanonymization; social networks; machine learning; user privacy; data analysis

PL

deanonimizacja; sieci społecznościowe; uczenie maszynowe; prywatność użytkownika; analiza danych

• Wydawca: Wydawnictwo Politechniki Lubelskiej
• Czasopismo: Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska
• Rocznik: 2025
• Tom: T. 15, nr 1
• Strony: 101--104
• Opis fizyczny: Bibliogr. 15 poz., rys., wykr.

Twórcy

autor

Smailov Nunzhigit

• Satbayev University, Department of Radio Engineering, Electronics and Space Technologies, Almaty, Kazakhstan
• Institute of Mechanics and Machine Science named by academician U.A. Dzholdasbekov, Almaty, Kazakhstan

• https://orcid.org/0000-0002-7264-2390

autor

Uralova Fatima

• Al-Farabi Kazakh National University, Department of Cybersecurity and Cryptology, Almaty, Kazakhstan
• Almaty Academy of Ministry of Internal Affairs, Department of Cyber Security and Information Technology, Almaty, Kazakhstan

• https://orcid.org/0009-0003-4159-2049

autor

Kadyrova Rashida

• Almaty Academy of Ministry of Internal Affairs, Department of Cyber Security and Information Technology, Almaty, Kazakhstan

• https://orcid.org/0009-0006-5120-6932

autor

Magazov Raiymbek

• Al-Farabi Kazakh National University, Department of Artificial Intelligence and Big Data, Almaty, Kazakhstan

• https://orcid.org/0009-0000-4105-2331

autor

Sabibolda Akezhan

• Satbayev University, Department of Radio Engineering, Electronics and Space Technologies, Almaty, Kazakhstan
• Institute of Mechanics and Machine Science named by academician U.A. Dzholdasbekov, Almaty, Kazakhstan
• Al-Farabi Kazakh National University, Department of Artificial Intelligence and Big Data, Almaty, Kazakhstan

• https://orcid.org/0000-0002-1186-7940

Bibliografia

• [1] Abdykadyrov A. et al.: Optimization of Distributed Acoustic Sensors Based on Fiber Optic Technologies. Eastern-European Journal of Enterprise Technologies 5(131), 2024, 50–59 [https://doi.org/10.15587/1729-4061.2024.313455].
• [2] Fu X. et al.: De-Anonymization of Networks with Communities: When Quantifications Meet Algorithms. GLOBECOM 2017 – 2017 IEEE Global Communications Conference, Singapore 2017, 1–6 [https://doi.org/10.1109/glocom.2017.8254107].
• [3] Gao T., Li F.: De-Anonymizing Online Social Network with Conditional Generative Adversarial Network. 19th International Conference on Mobile Ad Hoc and Smart Systems (MASS), 2022, 496–504 [https://doi.org/10.1109/mass56207.2022.00076].
• [4] Jiang H. et al.: Structure-Attribute-Based Social Network Deanonymization with Spectral Graph Partitioning. IEEE Transactions on Computational Social Systems 9(3), 2021, 902–913 [https://doi.org/10.1109/tcss.2021.3082901].
• [5] Kuttybayeva A. et al.: Investigation of a Fiber Optic Laser Sensor with Grating Resonator Using Mirrors. Conference of Young Researchers in Electrical and Electronic Engineering (ElCon), IEEE, 2024, 709–711 [https://doi.org/10.1109/ElCon61730.2024.10468264].
• [6] Lee W.-H. et al.: Blind De-Anonymization Attacks Using Social Networks. arXiv (Cornell University), 2018 [https://doi.org/10.48550/arxiv.1801.05534].
• [7] Mao J. et al.: Understanding Structure-Based Social Network De Anonymization Techniques via Empirical Analysis. EURASIP Journal on Wireless Communications and Networking 1, 2018 [https://doi.org/10.1186/s13638-018-1291-2].
• [8] Qian J. et al.: Social Network De-Anonymization and Privacy Inference with Knowledge Graph Model. IEEE Transactions on Dependable and Secure Computing 16(4), 2017, 679–692 [https://doi.org/10.1109/tdsc.2017.2697854].
• [9] Qian J. et al.: Social Network De-Anonymization: More Adversarial Knowledge, More Users Re-Identified? arXiv (Cornell University), 2017 [https://doi.org/10.48550/arxiv.1710.10998].
• [10] Rutba-Aman R. T., Rani Ghosh P.: Unveiling the Veiled: Leveraging Deep Learning and Network Analysis for De-Anonymization in Social Networks. J. of Primeasia 4(1), 2023, 1–6 [https://doi.org/10.25163/primeasia.4140042].
• [11] Sabibolda A. et al.: Estimation of the Time Efficiency of a Radio Direction Finder Operating on the Basis of a Searchless Spectral Method of Dispersion Correlation Radio Direction Finding. Mechanisms and Machine Science 167, 2024, 62–70 [https://doi.org/10.1007/978-3-031-67569-0_8].
• [12] Shao Y. et al.: Fast De-Anonymization of Social Networks with Structural Information. Data Science and Engineering 4(1), 2019, 76–92 [https://doi.org/10.1007/s41019-019-0086-8].
• [13] Smailov N. et al.: Approaches to Evaluating the Quality of Masking Noise Interference. International Journal of Electronics and Telecommunications 67(1), 2020, 59–64 [https://doi.org/10.24425/ijet.2021.135944].
• [14] Smailov N. et al.: Streamlining Digital Correlation-Interferometric Direction Finding with Spatial Analytical Signal. Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska 14(3), 2024, 43–48 [https://doi.org/10.35784/iapgos.6177].
• [15] Tereikovskyi I. et al.: Method for Constructing Neural Network Means for Recognizing Scenes of Political Extremism in Graphic Materials of Online Social Networks. International Journal of Computer Network and Information Security 16(3), 2024, 52–69 [https://doi.org/10.5815/ijcnis.2024.03.05].