همانگونه از طریق IBM ذکر شد، توسعه سریع شبکهبندی اجتماعی تلفن همراه (MSN) که در شکل 1 نشان داده شده است، تولید کلان دادهها را بهبود بخشید (1). در واقع، آمارهای فراوان حاکی از آن است که اکثر کلاندادههای تولید شده توسط MSN، برای نمونه، گزارشهای دسترسی اینترنت کاربران Unicom در چین به TB 10 در روز رسیده است. به واسطه چنین افزایش موقعیتی، بسیاری از برنامههای مبتنی بر کاوش کلاندادهها و اشتراکگذاری، نظیر سیستمهای پیشنهاد دهنده دوستی WeChat (2) و توییتر (3) و دیگر سیستمهای توصیهکننده شخصی (7-4)، ظهور یافتند. در این برنامهها، هنگام به اشتراکگذاری عمومی اطلاعات شخصی مانند موقعیت و علاقمندیها، افراد میتوانند انواع خدمات مبتنی بر مکان را از سیستمهای توصیهکننده دریافت کنند.
در این مقاله، بر مطالعه نوعی از برنامههای موقعیت محور بسیار محبوب موسوم به پیشنهاد دوستان مجاور (PFR) ذکر شده در (8) تمرکز نمودیم که امکان میدهد کاربران تلفن همراه نزدیک به لحاظ جسمی امکان تعامل رو در روی بیشتری در مکانهای عمومی مانند فرودگاهها، ورزشگاهها و سالنهای قطار داشته باشند (9). به طور کلی، یکی از راههای ممکن استفاده از روش شناخت شده تطبیق مشخصات (10) است که مرحله نخست آن به یافتن کاربر هدف میپردازد.
همانگونه که وو[1] و همکاران به آن اشاره کردند (11)، ماهیت اصلی تطبیق مشخصات آن است دو کاربر به مقایسه ویژگیهای مشخصات شخصی خود پیش از تعامل واقعی نیاز دارند. از این رو، نگرانی دنیای واقعی آن است که ویژگیهای مشخصات اجتماعی مورد استفاده در فرایند تطبیق مشخصات از جمله اطلاعات مهم در مورد کاربران و نقض حریم خصوصی کاربران ویژگیهای اجتماعی میتواند مسائل جدی مطرح کند.
پژوهشهای فعلی حاکی از آن است که فقدان امنیت میتواند کاربران را در معرض تبلیغات ناخواسته (12) و هرزنامهها/کلاهبرداریها، ضررهای اقتصادی یا شهرت اجتماعی قرار دهد (13) و آنها را قربانی باجخواهی یا حتی خشونت فیزیکی میکند (14). از این رو، نگرانیهای مربوط به حریم خصوصی باید هنگام گسترش روشهای انطباق مشخصات در شبکههای اجتماعی تلفن همراه مدنظر قرار گیرد. علاوه بر امنیت، کارفرمایان شبکههای اجتماعی تلفن همراه، ابزارهای تلفن همراه منابع محدود محاسبات را اجرا میکنند. بنابراین، طرح تطبیق ویژگی کارآمدی قدرت و حفظ حریم شخصی برای خدمات اجتماعی تلفن همراه مورد نیاز است.
به تازگی، طرحهای معدودی برای تطبیق مشخصات خصوصی آمده که به دو کاربر امکان مقایسه پروفایلهای شخصیشان را بدون آشکار شدن اطلاعات خصوصی یکدیگر میدهد (15، 10). همانگونه که در (16) ذکر شد، دو روش اصلی برای حل مسئله تطبیق دوستی مبتنی بر ویژگی با حفظ حریم شخصی وجود دارد. نخستین مقوله، به مشخصات فردی به عنوان مجموعهای از ویژگیها توجه داشته و پروتکلهای با طراحی مناسب مبتنی بر فصل مشترک مجموعه خصوصی (PSI) و کاردینالیتی خصوصی مشخصات فردی به عنوان یک بردار در نظر گرفته و مجاورت اجتماعی را با بردار نقطهای یا فاصله برداری نشان میدهد (22-19).
با وجود این، اکثریت قریب به اتفاق رویکردها در مقوله نخست برای فعال نمودن صرفاً تطبیق خصوصی درشتدانه ارائه شده و به کاربران با ویژگی (ها) یکسان که در برنامههای کاربردی کمتر عملی میباشد، چنین امکانی نمیدهد (23). برای حل این مسئله و بنابراین بهبود بیشتر قابلیت استفاده PFR در MSN، تطبیق خصوصی ریز دانه به صورت گسترده ای در مقوله دوم استفاده شده که ایده اصلی پژوهش این مقاله محسوب میشود. از این رو، در ادامه به بحث در مورد آثار مرتبط با مقوله دوم میپردازیم.
لیانگ[2] و همکاران، روش مستعارهای متعددی را برای بهبود حفاظت از ناشناخته ماندن پروتکل تطبیق مشخصات در (19) پیشنهاد نمودهاند، که در آن محاسبه ضرب نقطهای یکی از مهمترین اساس آن محسوب میشود. از دیدگاه انعطافپذیری، روش مستعارهای متعدد میتواند ناشناس بودن را تضمین کند، اما نمیتواند انعطافپذیری با تعداد کمی بیشتر از مستعارها را که در آن به فضای زیاد و مدیریت بالاسری نیاز است را برآورده نماید.
در (21)، ژانگ و همکاران پروتکل تطبیق خصوصی ریزدانه ای را با سطوح مختلف حریم خصوصی در شبکههای اجتماعی تلفن همراه مجاورت محور طراحی کردند که معیارهای تطبیقی متفاوتی را در برداشت: l1 فاصله و حداکثر فاصله. با وجود این، توجه به تفاوت آیتمهای مشخصات حائز اهمیت نیست و قادر به افتراق کاربران با مقدار فاصله l1 یا حداکثر فاصله نیست.
او و همکارانش (24) این موضوع را با ارائه پروتکل تطبیق مشخصات کاربر جدید با قابلیت خودکنترلی مورد توجه قرار داده که در آن به کاربران امکان خود تعریفی آیتمهای وزندهی شده پروفایل در طول تطبیق وجود دارد و بنابراین، نتایج تطبیقی دقیقتری برای کاربران فراهم میآورد. متاسفانه، روش تطبیق اطلاعات همسان در (21) و (24) هر دو بر رمزگذاری زمانبری (25) مبتنی است که همگنی را برآورده مینماید.
بنابراین، به واسطه هزینههای سنگین رمزگذاری و کشف رمز، بهبود عملیات کلی برنامههای MSN دشوار است. هدف این مقاله، حفظ آیتمهای مشخصات خصوصی از افشا و در عین حال بهبود کارآیی برنامههای مقولههای دوم است. به منظور بهبود اثربخشی، ما از برخی روشهای کارآمد برای محاسبه ایمن محصول ضرب نقطهای استفاده میکنیم و این در حالی است که روشهای کارآمد اساساً بر دو نوع وجود دارند. یکی از رمزگذاریهای نامتقارن جدید حفظ محصول اسکالر از سوی وانگ[3] و همکاران پیشنهاد شده است (22)، که بر مسئله محاسبه همسایگی نزدیکترین k (kNN) در پایگاه داده رمزگذاری شده متمرکز است و از این رو نمیتواند انعطافپذیری با تغییرات آیتمهای ویژگی را برآورده نماید.
مورد دیگر محاسبه شباهت (PPCS) کسینوسی حفظ حریم شخصی کارآمد مطرح شده از سوی لو و همکاران (26) میتواند به عنوان مبنای بسیاری از زمینههای پژوهشی مانند کاوش کلان داده حفظ حریم شخصی، کنترل دسترسی داده و سیستم توصیه به کار گرفته شود. نتایج شبیهسازی گسترده نشان داده است که پروتکل PPCSC ، از نظر سربارهای ارتباطی و محاسبه یکی از کارآمدترینها تلقی میشود. بنابراین، پروتکل PPCSC را به عنوان مبنای پروتکل خود انتخاب کردیم.
علاوه بر این، اکثر پروتکلهای انطباق مشخصات با حفظ حریم شخصی، الگوی حمله را مدنظر قرار نداده است. برای درک بهتر، هیچ یک از راه حلهای فعلی برای تطبیق مشخصات همه ویژگیهای مطلوب را ندارند: حفظ حریم شخصی، امنیت (برای نمونه، احراز هویت و سازماندهی)، راندمان (برای نمونه، بالاسری ارتباطی و محاسبه کارآمد هزینه) و انعطافپذیری.
بنابراین، چگونگی دستیابی به پروتکل انطباقی مشخصات با حفظ حریم شخصی و به صورتی کارآمد و انعطافپذیر کماکان چالشی در MSN مجاورت محور محسوب میشود. نظر به چالش فوق، در این مقاله پروتکل تطبیقی با حفظ مشخصات فنی و ریز دانه و ایمن موسوم به SFPM را برای MSN مبتنی بر مجاورت معرفی میکنیم. با پروتکل SFPM، کاربران میتوانند به صورت کارآمد و انعطافپذیر به دنبال هدف تطبیق ریزدانه بدون افشای هیچ یک از اطلاعات شخصی باشند. علاوه بر این، پروتکل پیشنهادی ما به یکپارچگی پیام و اعتبار منبع داده دست مییابد و به صورت فوقالعادهای هزینه محاسبه در مقایسه با پروتکل پیشنهاد شده در (21) و (24) کاهش مییابد، به ویژه بار محاسباتی و محاسباتی بر گوشیهای هوشمند کاهش مییابد. به طور خاص، هدف اصلی این مقاله بر چهار جنبه است:
- ما SFPM یعنی پروتکل تطبیق حفظ حریم شخصی ریزدانه و ایمن جدید را ارائه کردیم که مشتمل بر دو مرحله تطبیق است: کسینوس شباهت و معیار l1 وزندهی شده. با SFPM، کاربران میتوانند کاربران را به صورت ریزدانه تشخیص داده و منطبقترین مورد را با آن بیابند.
- در مقایسه با پروتکلهای انطباقی خصوصی پیشین، SFPM سبک تطبیقی کارآمد و انعطافپذیر ارائه میکند. به طور خاص، ما مرکز پردازش داده (DPC) را برای انجام محاسبات انطباقی معرفی میکنیم که میتواند به طرز چشمگیری بار محاسباتی و ارتباطی ابزارهای تلفن همراه را بهبود بخشد. علاوه بر این، الگوریتم کدگذاری پیشنهاد شده در (26) در مقایسه با (22) کارآمدتر و انعطافپذیرتر است. این مسئله را زمانی که کاربر به برخی ویژگیها علاقمند است یعنی صرفاٌ ویژگیهای درج شده باید گذاری شود و در نتیجه DPC صرفاً افزایش رو بر این ویژگیها اجرا میکند و آنها را به نتایج محاسباتی پیشین میافزاید، در نظر بگیرید. حذف و بروزرسانی عملیات با درج مشابهت دارد. بنابراین، پروتکل ما برای تایید ویژگیهای فردی انعطافپذیر است.
- علاوه بر محرمانه بودن اطلاعات، پروتکل SFPM یکپارچگی پیام و اعتبار منبع داده را با افزودن کد تایید هویت پیام نظیر اثرانگشت برای کد احراز هویت پیام (HMAC) دریافت میکند و در نتیجه، متن پیام رمز میتواند از نویزهای افزایشی دفاع کند.
- برای اعتباربخشی به کارآیی پروتکل SFPM پیشنهادی، پروتکل SFPM و پروتکل پیشنهاد شده توسط ژانگ (21) را بر بستری با دو تلفن اندرویدی و یک کامپیوتر اجرا کردیم. ما میتوانیم تعیین کنیم که SFPM از نظر هزینه محاسباتی، کارآمدتر از طرحهای تطبیق مشخصات مشابه موجود (24، 21) است.
ادامه این مقاله بدین صورت سازماندهی شده است. در بخش 2، الگوی سیستمی را رسمی نموده و هدف طراحی را تایید میکنیم. پس از آن، پروتکل SFPM را در بخش 3 تشریح میکنیم. تحلیل امنیت و ارزیابی عملکرد در بخشهای 4 و 5 آمده است. در نهایت، در بخش 6 به نتایج اشاره میکنیم.
[1] Wu
[2] Liang
[3] Wong