Shared data granularity: a latent dimension of privacy scoring over online social networks
[ X ]
Tarih
2020
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Adana Alparslan Türkeş Bilim ve Teknoloji Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Gizlilik skorlaması bir ÇSA üzerinde kullanıcıların paylaşımlarına göre gizlilik ihlali riskini ölçmeyi amaçlar. Bu alanda yapılan çalışmalar muhtemel ön yargılı ve duygusal anket verilerine dayanır ve yalnız Facebok gibi kişisel amaçlı ÇSA'lara odaklanır. Mevcut çalışmaların aksine, bu tezde en popular ProÇSA olan LinkedIn'den toplanan gerçek dünya ÇSA verisiyle çalışmaktayız. Bu tezde 5,389 LinkedIn kullanıcısının ilgili profil bilgilerini toplamak için kapsamlı bir gezgin programı geliştirdik, toplanan veriler hem ilişkisel hem de çizge veritabanında modellenmiş ve literatürde yer alan Gizlilik risk skorlama methodları niceliksel olarak analiz edilmiştir. Ayrıca, ÇSA kullanıcıların profil sayfası üzerindeki verilerinin öge boyunu düşünen yeni bir skorlama metodu öneriyoruz. Var olan ve önerilen skorlama metodlarının kapsamlı deneysel değerlendirilmesi bu çözümün etkinliğini göstermektedir.
Privacy scoring aims at measuring the privacy violation risk of a user over an online social network (OSN). Existing work in the ?eld rely on possibly biased or emotional survey data and focus only on personal purpose OSNs like Facebook. In contrast to existing work, in this thesis, we work with real-world OSN data collected from LinkedIn, the most popular professional-purpose OSN (ProOSN). Towards this end, we developed an extensive crawler to collect all relevant profile data of 5,389 LinkedIn users, modeled these data using both relational and graph databases and quantitatively analyzed all privacy risk scoring methods in the literature. Additionally, we propose a novel scoring method that considers the granularity of data an OSN user shares on her profile page. Extensive experimental evaluation of existing and proposed scoring methods indicates the effectiveness of the proposed solution.
Privacy scoring aims at measuring the privacy violation risk of a user over an online social network (OSN). Existing work in the ?eld rely on possibly biased or emotional survey data and focus only on personal purpose OSNs like Facebook. In contrast to existing work, in this thesis, we work with real-world OSN data collected from LinkedIn, the most popular professional-purpose OSN (ProOSN). Towards this end, we developed an extensive crawler to collect all relevant profile data of 5,389 LinkedIn users, modeled these data using both relational and graph databases and quantitatively analyzed all privacy risk scoring methods in the literature. Additionally, we propose a novel scoring method that considers the granularity of data an OSN user shares on her profile page. Extensive experimental evaluation of existing and proposed scoring methods indicates the effectiveness of the proposed solution.
Açıklama
Fen Bilimleri Enstitüsü, Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
Anahtar Kelimeler
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
