随着互联网的飞速发展，网络社交成为一种新的时尚，一些流行的社交App已经成为人们生活中不可缺少的一部分，为人们提供了信息交流和娱乐消遣的重要平台.当前很多流行的社交App都有查找共同关系的功能，2个用户可以查看彼此之间有共同关系的人，包括共同联系人、共同好友等.表1列出了6个具有共同关系功能的社交App.从表1中可以看出，除QQ外，其他App的用户查看共同关系都需要满足一定的前提，例如：微信用户在双方互为好友的情况下才能查看共同好友，查看的位置是微信朋友圈，朋友圈中只有共同的好友的评论和点赞才能被双方看到.除QQ和微信以外的其他App只需要满足一定的隐私设置即可查看共同关系.这些共同关系主要包括共同关系的数量和共同关系的用户名单2方面的内容，不同的App显示共同关系的内容不一样，除QQ仅能显示共同好友的数量以外，其他几个App既能显示共同关系的数量，也能显示共同关系的用户名单.我们也发现，这些App为用户提供查看共同关系的功能，主要目的是为了向用户推荐潜在的好友(如QQ、抖音、Facebook、LinkedIn)，然而，也有App是为了帮助用户回避现实中熟悉的人，避免遇到熟人所造成的尴尬，例如探探这种陌生人交友软件.

查找共同关系的功能在为社交媒体用户提供便利的同时，也带来了很多用户隐私安全问题.例如：一些研究者发现，已知社交网络中用户节点间共同关系的数量，可以实施友谊攻击，挖掘和分析用户的身份数据，对用户身份进行识别[1-2].甚至有研究者提出，即使某些社交媒体App运用了一些匿名化方法来防御共同关系功能造成的隐私泄露问题，攻击者也能采取一定的攻击手法，绕过匿名化技术的安全限制，暴露匿名用户的身份，推断目标用户的社交关系[3-4].一些社交App为用户提供了一些安全设置，使用户能够自主控制与共同关系有关的隐私信息，但一些研究者也提出一些攻击方法，能够使用户的隐私设置失效[5].其他的与共同关系有关的安全问题还包括邻域攻击问题[6-8]、共谋攻击问题[9]等.

现有的关于共同关系的安全问题的相关研究基本上没有将现实中真实的社会群体作为研究对象，研究他们在社交媒体中所暴露的各成员之间亲密关系的隐私泄露问题.本文将以中国最知名的短视频软件抖音为例，研究抖音App的共同联系人功能泄露现实中真实群体用户的账号信息和群体用户之间的亲密关系的安全问题.从表1可以看出，抖音的共同联系人查看功能可以针对任意用户，无需双方互为好友，这为攻击者进行信息收集提供了便利条件.我们发现了抖音共同联系人功能存在的一个安全漏洞，在目标用户已经进行了个人信息屏蔽设置(关闭“允许将我推荐给好友”选项)的情况下，攻击者仍然可以利用共同联系人功能发现目标用户的账号.

我们结合这个安全漏洞，在已知抖音群体用户的电话号码信息后，能够获得群体中尽可能多的用户的抖音账号信息，并通过群体用户相互之间的关注信息、通信录信息、视频点赞和评论信息来推算群体用户之间的亲密关系信息(亲密度和群体活跃度)，这些亲密关系信息能够为攻击者实施进一步有效攻击提供一定的辅助.我们通过对现实中一个真实群体的实验，证明了通过抖音共同联系人功能发掘群体用户抖音账号的有效性，并验证了亲密关系信息的计算结果的合理性.此外，我们也进行了安全威胁分析，并提出了安全防范建议.

本文主要创新和贡献包括3个方面：

1) 发现了中国最知名的短视频软件抖音的共同联系人功能存在的安全漏洞，可以使用户的相关个人隐私设置失效，使攻击者在已知群体用户的电话号码信息后，利用群体用户之间的通信录关系，获得群体中尽可能多的用户的抖音账号信息.

2) 提出了结合抖音共同联系人安全漏洞，并通过群体用户相互之间的关注信息、通信录信息、视频点赞和评论信息挖掘群体用户之间的亲密度和用户群体活跃度的方法.该方法除了考虑到用户之间关注关系、通信录关系和点赞关系的连接数量，而且也把用户之间的评论的情感考虑在内，利用基于称谓词词典和情感词典的方法计算评论的情感值，从而推算用户之间的亲密度.

3) 提出攻击者针对群体用户的亲密度和群体活跃度的计算结果能够为攻击者发起针对群体用户的进一步有效攻击提供一定的辅助，并分析了对群体用户可能造成的安全威胁，给出了相应的安全防范建议.

1 抖音相关背景

抖音是目前中国最知名、用户量最大的短视频软件，用户量超5亿[10].用户可以通过抖音制作和发布短视频对外展示自己，也可以观看其他用户发布的视频.抖音从2016年9月上线以来就迅速积累了大量的人气，为各种年龄段用户提供了娱乐和社交的平台，赢得了广大用户的欢迎.抖音鼓励用户查看通信录好友，在启动App的时候甚至会弹窗提醒用户查看通信录好友，而一旦用户使用了这个功能，则抖音App就会获取用户手机通信录信息，由此也导致了一些隐私泄露的安全问题和法律纠纷[11].

图1展示了某一抖音用户的个人主页，访问者可以点击位置①查看该用户关注的用户列表，点击位置②查看该用户发布的视频列表，点击位置③可以查看该用户点赞了哪些视频.

然而，抖音(以2020年发布的11.6.0版本为例)中有表2所示的设置选项，可以使用户有权决定是否公开某些信息.如果某用户对这些选项不进行设置，那么这4个选项都会是默认设置，即其他用户可以看到该用户的关注用户列表、粉丝列表、点赞视频列表，并且可以通过“查询通信录好友”的功能找到他.

如果用户进行了设置，例如，当把“谁可以看我对作品的点赞”选项设置为“仅自己和作者”时，仅视频作者和用户自己可以看到用户对某视频的点赞行为.当把“谁可以看我的关注、粉丝列表”选项设置为“仅自己”时，只有用户自己可以看他的关注和粉丝列表.当把“允许将我推荐给好友”选项设置为关闭时，其他用户将不能通过“查找通信录好友”功能找到他.当“私密账号”选项设置为“开”时，其他用户将不能看该用户的关注用户列表、粉丝列表、点赞视频列表等信息.

经过研究发现，大多数用户不会专门对这些选项进行设置，这便给攻击者收集用户的相关信息提供了便利.

2 共同联系人泄露安全漏洞

抖音提供了“查找通信录好友”的功能，当某用户向服务器发送“查找通信录好友”请求后，服务器会返回该用户的通信录好友对应的抖音用户列表，然而，如第1节中所提到的那样，若用户设置“允许将我推荐给好友”选项为关闭时，其他用户将不能通过“查找通信录好友”功能找到他.

然而，抖音中有个共同联系人功能能够让设置了“允许将我推荐给好友”选项为关闭的用户账号(抖音ID)也通过电话号码被查询出来.抖音中的共同联系人功能是为了向用户推荐存在共同联系人关系的用户，增加用户之间的关联.然而，如果用户a和用户b存在共同联系人，那么抖音在向a,b进行相互推荐的时候，不但可以向a,b展示共同联系人的数量，而且可以展示共同联系人的姓名和抖音ID，如图2所示，而不管共同联系人是否设置“允许将我推荐给好友”选项为关闭.除了可以获取抖音的推荐用户与攻击者的共同好友信息以外，抖音的共同联系人功能的相关接口甚至允许攻击者查询任一用户与攻击者的通信录的共同联系人，这是一个明显的安全漏洞.

共同联系人功能存在的这个安全漏洞给攻击者提供了挖掘群体用户隐私的有利条件.由于一个社会群体中的用户一般相互间会保留对方的联系方式，因此如果一个社会群体(如学生班级群体、单位职工群体)的电话号码信息被攻击者窃取，那么攻击者将可能获得群体用户中尽可能多的抖音ID，建立群体用户电话号码和抖音ID的对应关系.方法是：攻击者首先把群体用户的手机号码存储在通信录，并通过“查询通信录好友”功能查询通信录好友的抖音ID，如果只能查找到部分通信录好友的抖音ID，那么攻击者可以通过“共同联系人”的功能接口向服务器发送请求，获取这些抖音ID对应的每一位用户与攻击者的共同联系人的ID，新获得的抖音ID还可以继续被拿来查询共同联系人，如此迭代往复，就可以把群体里面尽可能多的用户对应的抖音ID获取到.

图3通过实例展示了群体用户抖音ID迭代查询的过程，图3中假设群体用户编号为1～10，他们的电话号码都被攻击者存放到通信录，攻击者通过查看通信录好友功能只能查到编号为1～5的抖音用户.然而，由于用户2的通信录中存储了用户7,8，则攻击者通过查询与用户2的共同好友就可以查到用户7,8的抖音ID.在得到了新的用户7,8的ID后，攻击者继续查询与用户7,8的共同好友关系.由于用户8的通信录中存储了用户6,9，则攻击者通过查询与用户8的共同好友就可以查到用户6,9的抖音ID.因此最终攻击者可以获取到群体中用户1～9的抖音ID，仅仅只有用户10是查不到抖音ID的.

3 攻击者视角的用户关系分析

群体用户既然是一个社会群体，那么他们之间肯定有密切的关系，如果一个攻击者既能获得群体用户的抖音账号信息，又能利用抖音账号信息推算出这个群体中的用户之间的亲密关系，知道哪些用户在群体中较为活跃、人缘好等信息，那么对他实施进一步攻击会带来很大的辅助作用.例如，攻击者伪装为某用户身边的朋友对该用户进行诈骗，或者重点对群体活跃性较高的用户进行攻击，再借助于他们影响周围的人等.

在第1节中已经介绍了攻击者可以从抖音用户主页获得用户的关注用户列表、粉丝列表、点赞视频列表等信息.在第2节中也讨论了攻击者可以利用查找通信录好友和共同好友的功能获得群体中尽可能多的用户的抖音ID.攻击者可以通过分析这些信息来挖掘用户之间的关系.本文在这里讨论2种用户关系分析：亲密度分析和群体活跃度分析.

3.1 亲密度分析

亲密度分析是讨论群体中任意2个用户之间的亲密关系.可以这样假设：如果一个用户a关注了另一个用户b，或在a的通信录中保存了用户b的联系电话，或者a对b发布的视频点赞或评论过，那么二者之间可能存在亲密关系.而如果攻击者能够对群体用户相互之间的关注、通信录、点赞和评论关系进行合理分析，则可能大致推算出群体用户相互之间的亲密关系.

本文首先根据用户之间的关注、通信录、点赞、评论4种关系计算4种亲密分量，每种亲密分量都被分为单向亲密分量和双向亲密分量，然后将这4种亲密分量加权求和，计算用户之间的亲密度.

3.1.1 关注关系亲密分量计算

关注关系单向亲密分量：用户a对用户b的关注关系单向亲密分量表示为如果用户a关注了b，则的值为1.如果a没有关注用户b，则的值为0.

关注关系双向亲密分量：用户a与用户b的关注关系双向亲密分量表示为QFab，QFab的值等于双方单向亲密分量的加和，即

3.1.2 通信录关系亲密分量计算

通信录关系单向亲密分量：用户a对用户b的通信录关系单向亲密分量表示为如果b在a的通信录中，则的值为1.如果b不在a的通信录中，则的值为0.

通信录关系双向亲密分量：用户a与用户b的通信录关系双向亲密分量表示为QCab，QCab的值等于双方单向亲密分量的加和，即

3.1.3 点赞关系亲密分量计算

点赞关系单向亲密分量：用户a对用户b的点赞关系单向亲密分量表示为如果a对b的所有视频的点赞数为给所有群体用户的视频点赞总数为na，b的所有视频得到群体中的用户点赞总数为nb，求的值：

(1)

如果a没有给群体中的任何用户点赞(na=0)，则的值为0.如果b没有得到群体中任何用户的点赞(nb=0)，则群体中任意用户x对b的点赞关系亲密分量的值为0.

点赞关系双向亲密分量：用户a与b的点赞关系双向亲密分量表示为QLab，QLab的值等于双方单向亲密分量的加和，即

3.1.4 评论关系亲密分量计算

本文通过计算评论内容的情感值来计算用户之间评论关系的亲密分量，评论内容的情感值包括称谓的情感值和语义的情感值2个方面.这样设计的原因是基于2点：1)如果用户a对用户b的评论中有比较亲密的称谓，则说明a与b的亲密度较高；2)如果a对b的正面的评论多，负面的评论少，则也能反映a对b的亲密程度高.

本文首先构建称谓语词典和情感词典，然后利用这2个词典对评论的情感值进行计算：

1) 称谓语词典构建

本文以吉常宏编著的《汉语称谓大词典》[12]为基准，结合刘静敏[13]、吴超[14]、徐爽[15]关于汉语称谓语的研究成果，整理出一个称谓词词典.根据称谓词的亲密程度，将称谓词分为6个等级，亲密度最高级别R1为具有亲属关系的称谓，不同的亲密级别所赋予的亲密分值不同，表3展示了称谓语词典中各亲密级别的部分称谓词信息.

2) 情感词典构建

本文通过基于情感词典的方法来计算评论的情感值.通过对台湾大学中文情感极性词典(NTUSD)[16]、知网HowNet词典[17]、大连理工大学中文情感词汇本体库(DUTIR)[16]、清华大学李军中文褒贬义词典[18]和BosonNLP情感词典[19]进行整合和筛选，构建了包含情感词、程度副词和否定词的情感词典，所构建的情感词典的部分信息如表4所示.此外，本文还采用了结巴词典[20]对句子进行分词.

情感词词典中包含6 094个正面情感词和11 445个负面情感词，将每个正面情感词的分值设为1，负面情感词的分值设为-1.程度副词用于对情感词进行修饰，增强或减弱情感.本文将程度副词划分为6个类别：over,most,very,more,ish,insufficiently,权值分别为2,1.75,1.5,1.25,0.75,0.5.同时选取了58个否定词，每个否定词的权值设为-1，否定词作用在情感词前面，可能导致情感发生变化(奇数个否定词)，也可能不改变情感(偶数个否定词).

3) 评论的情感值计算

对于某一条评论句S，求其情感值的步骤：

首先，以标点符号和情感词为基准，将评论S分为分句S1,S2,…,Sn，每个分句最多只包含一个情感词.

然后，对于每一个分句Si，求分句的情感值.具体步骤有5步.

① 用结巴词典对分句进行分词.

② 从分词中寻找称谓词，并通过称谓词词典获取称谓词的情感值q1，若没有称谓词，则q1为0.

③ 查找分句的情感词，并根据情感词典判断其为正面还是负面的情感，获取情感词的情感分值q2，q2的值可能为1或-1(正面或负面的情感).

④ 寻找修饰情感词的程度副词，记录程度副词的数量m，并根据情感词典确定各程度副词的权值ω1,ω2,…,ωm

⑤ 向情感词前方寻找否定词，统计否定词出现的次数，记否定词的个数为n.

于是，对于由多个程度副词修饰的情感词，采取求程度副词的几何平均数的方法确定程度副词的权值，分句Si的情感值PSi为

(2)

最后，求整条评论句S的情感值PS，一条评论句的情感值等于各个分句的情感值之和：

(3)

举例说明：如果某条评论的内容为“玲儿今天穿的真漂亮，视频拍得很好看，就是光线有点儿暗.”，其中，“玲”为姓名中的一个字，则这条评论的情感值计算过程为

首先，将评论分为3个分句：“玲儿今天穿的真漂亮”(S1)，“视频拍得很好看”(S2)，“就是光线有点儿暗”(S3).

然后，计算各分句的情感值，S1中包含正面形容词“漂亮”(分值1)和程度副词“真”(权重1.25)，并且还包含有亲密称谓“玲儿”(分值1.5)；S2中包含正面形容词“好看”(权重1)和程度副词“很”(权重1.5)；S3中包含负面形容词“暗”(权重-1)和程度副词“有点儿”(权重0.75).

于是，各分句的情感值为

PS1=1.5+1×1.25=2.75;
PS2=1×1.5=1.5;
PS3=-1×0.75=-0.75.

最后，得出评论的情感值

4) 评论关系的亲密分量计算

得到每条评论的情感值后，采取如下方法计算评论关系的亲密分量：

① 评论关系单向亲密分量.用户a对用户b的评论关系单向亲密分量表示为的值为a对b的所有评论的情感值中的最大值.

② 评论关系双向亲密分量.用户a与用户b的评论关系双向亲密分量表示为QTab，QTab的值等于双方单向亲密分量的加和，即

3.1.5 亲密度计算

计算完4种亲密度分量后，将它们进行综合，求出每2个用户之间的亲密度.本文分别设置用户之间的关注、通信录、点赞和评论关系的亲密分量的系数为α,β,γ,δ，于是，用户a对用户b的单向亲密度和双向亲密度Qab分别计算为:

(4)

Qab=α×QFab+β×QCab+γ×QLab+δ×QTab.

(5)

3.2 群体活跃度分析

攻击者在获得了群体各用户之间的亲密度后，也可以通过分析这些亲密度信息大致分析出某一用户在群体中是否活跃，在实施攻击时可以重点针对一些群体活跃性较高的用户.例如：重点对这一部分人灌输一些有害的信息(欺骗性质的商业宣传、不健康行为、恶意软件的安装与使用等)，再通过他们影响周围的人，借助于这些群体活跃用户在群体中的影响力，可能取得更好的有害信息传播效果.

本文将群体活跃度分为被动活跃度和主动活跃度2种情况来讨论.

1) 被动活跃度分析

某一用户的被动活跃度是指群体中其他用户对该用户的单向亲密度的汇总，反映了群体中其他用户对该用户的亲密程度(或者说是受欢迎程度).例如，如果某个用户很少被群体中的其他人放在通信录，或者即使发布了很多抖音视频，也很少有人关注他，很少有人给他点赞和评论，则可以近似认为该用户的被动活跃度低，受欢迎程度低.相反，如果一个用户被群体中的很多人放在通信录，或者即使发布了很少的抖音视频，但却有很多人关注他，很多人给他点赞和评论，则可以近似认为该用户的被动活跃度高，受欢迎程度高.

对于用户a来说，如果群体中所有关注a的用户为{x1,x2,…,xi}，群体中把a放在通信录的用户为{y1,y2,…,yj}，群体中对a发布的视频点赞过的用户为{z1,z2,…,zm}，群体中对a发布的视频评论过的用户为{u1,u2,…,un}，a发布的视频数为va，则a的被动活跃度Ha可以计算为

(6)

计算被动活跃度的时候，需要考虑到一个用户发布的视频数(也可以认为是抖音的使用程度)对群体活跃度的影响，有的用户虽然视频数很多，但其他用户对其亲密度却很低，那他很可能在群体中不活跃，而有的用户虽然视频数很少，但其他用户对其亲密度却很高，那么他可能在群体中很活跃.因此，我们将用户关注、点赞和评论关系的亲密度之和除以系数ln(视频数+2)，加2是为了避免视频数为0的情况.

2) 主动活跃度分析

某一用户的主动活跃度是指该用户对群体中的其他用户的单向亲密度的汇总，反映了用户对群体中其他用户的亲密程度(或者说是热情程度).如果某个用户的通信录中很少有群体中的其他人，或者很少在抖音上关注其他人，很少给其他人的视频发表评论，则我们可以近似认为该用户的主动活跃度低，对他人的热情程度低.相反，如果一个用户把群体中的很多人放在通信录，或者在抖音上关注了很多人，给很多人的视频发表了评论，则我们可以近似认为该用户的主动活跃度高，对他人的热情程度高.

对于用户a来说，如果a关注的该群体中的所有用户为{x1,x2,…,xi}，a的通信录中包含的该群体中的用户为{y1,y2,…, yj}，该群体中被a点赞过的用户为{z1, z2,…, zm}，该群体中被a评论过的用户为{u1, u2,…, un},则a的主动活跃度Ha为

(7)

无论是被动活跃度还是主动活跃度，都可以反映一个用户在群体中是否活跃、人缘好不好，群体活跃度分析的结果可以为攻击者实施进一步有效攻击提供辅助.

4 数据采集方法

攻击者要想实现第3节中介绍的亲密度分析和群体活跃度分析，必须对群体用户的关注、通信录、点赞和评论信息进行收集.在第1节中已经介绍过，攻击者可以通过收集用户主页上的信息获知一个用户关注了哪些其他用户，点赞过哪些视频，该用户发布的视频被哪些人评论过，可以通过查找通信录好友和共同联系人的功能获得尽可能多的群体用户的抖音ID.攻击者可以将这些收集到的群体用户的信息，汇总为5张数据表：群体用户身份信息数据表、群体用户关注信息数据表、群体用户通信录信息数据表、群体用户点赞信息数据表和群体用户评论信息数据表.这5张表的建立过程如图4所示(图4中的加粗菱形即表示为数据表)：

攻击者首先将已经获得的群体用户电话号码存入手机的通信录，通过“查找通信录好友”功能向抖音后台同步手机通信录，或者通过自动化的方式、以欺骗的手段向抖音服务器上传通信录，或让抖音服务器获知该用户的通信录发生了更新.通过查找通信录好友获得所有可以发现抖音ID的通信录好友用户集合(以A表示)，并通过共同联系人接口自动发送数据包，逐一查找攻击者与这些用户的共同好友列表，并通过第2节中介绍的迭代查询的方法获得这个群体中的用户的尽可能多的抖音ID集合(以B表示).在这个过程中，攻击者可以获知每一位用户的通信录上有群体中的哪些人，由此建立“群体用户通信录信息数据表”，并获得群体中尽可能多的用户身份信息集合，由此建立“群体用户身份信息数据表”.

然后，通过自动化程序发送请求，对B中的任意一位用户u，查询其关注列表(被关注者ID集合)，根据被关注者ID集合，筛选出属于本群体的被关注者，建立“群体用户关注信息数据表”.查询u发布的视频列表(视频号、视频标题)，获取其视频列表中的每个视频的评论信息(评论者ID、评论内容等)，根据评论者ID集合筛选出属于本群体的用户的评论，建立“群体用户评论信息数据表”.查询u点赞过的视频列表(视频发布者ID、视频号、视频标题)，根据发布者ID或视频号，筛选出属于本群体用户的视频，建立“群体用户点赞信息数据表”.

经过分析发现，抖音App采用了基于客户端加密的反爬虫策略，所有的请求都需要携带X-Gorgon参数，X-Gorgon是对Url, Postdata, Cookies, SesseionID进行多次MD5加密后组成的字符串，而X-Gorgon的加密计算在客户端就可以完成，不需要服务器端的参与.Android版抖音App的X-Gorgon的加密计算在libcms.so库中完成，为了消除破解libcms.so的麻烦，本文采取直接利用抖音App中的libcms.so库的方法.方法是先从抖音App中取出libcms.so，然后开发一个App，编写Java代码通过JNI机制调用libcms.so中的X-Gorgon的加密计算函数.然后将App放在Android设备中安装并运行，这个App通过开放端口的办法，接收外来请求，并为请求者计算并返回X-Gorgon.

发送请求的方法如图5所示.我们让PC端电脑和Android设备处于同一个局域网WiFi中，PC端程序负责构造发送给抖音服务器的请求，包括Url, Postdata, Cookies, SesseionID等信息，并向Android设备中的服务App发送计算X-Gorgon请求(请求中携带上一步中构造的Url, Postdata, Cookies, SesseionID)，服务App收到计算X-Gorgon请求后，计算并返回X-Gorgon，PC端收到X-Gorgon后，重新构造发送给抖音服务器的Web请求数据，并向抖音服务器发送请求.抖音服务器收到请求后，验证X-Gorgon参数合法，便会把该请求当做合法请求对待.

5 实验与分析

为了验证基于抖音共同联系人的群体用户关系分析的准确性，我们选择了3个真实的社会群体进行了实验，本节将分实验1和实验2对这3个社会群体分别进行实验和分析.

5.1 实验1

实验1选择了某一个学校的某一个班级的72位学生做实验，做实验之前我们已经告知学生实验的细节，并征得了学生的同意.我们将学生的手机号码添加到手机通信录，并通过“查看通信录好友”功能同步到抖音服务端.实验中有61人的手机号和抖音ID的对应关系被找到，其中有35人通过手机联系人找到，26人通过共同联系人找到，说明这26人设置了“允许将我推荐给好友”选项为关闭.能获得抖音ID的61人中有6人的关注列表不能浏览，说明这6人设置了“谁可以看我对作品的点赞”选项为“仅自己和作者”.有5人的点赞视频列表不能浏览，说明这5人设置了“谁可以看我对作品的点赞”为“仅自己和作者”.这些被屏蔽的信息会导致实验对群体用户的关系分析不全面的问题，但所涉及数据不多，对总体影响并不大.

72人中有11人不能通过手机号码获得抖音ID.通过与学生的交流，我们了解到其中有8人没有将自己的手机通信录同步到抖音App，还有3人没有用过抖音，即没有抖音账号.这些缺失的群体用户抖音信息也会导致对群体用户的关系分析不全面的问题，因此，本实验只针对群体中能找到抖音ID的61人之间的相互关系进行分析，不把此11人考虑在内.

图6所示为61个用户相互间的关注关系，图6中的单向箭头从关注者指向被关注者，双向箭头表示双方相互关注.图7所示为61个用户相互间的通信录关系，图7中的单向箭头从某一用户指向其手机通信录中的用户，双向箭头表示双方都在对方的通信录上.图8所示为61个用户相互间的点赞关系，图8中的单向箭头从点赞者指向被点赞者，箭头上的数字代表点赞者对被点赞者发布的视频点赞了多少次.双向箭头表示双方相互进行了点赞，箭头上的数字代表双方分别点赞了多少次，例如：用户54和55双方相互进行了点赞，箭头上的数量4∶3代表用户54向用户55点赞了4次，用户55向用户54点赞了3次.图9所示为61个用户相互间的评论的亲密分量的计算结果信息，图9中的单向箭头从评论者指向被评论者，箭头上的数字代表评论者对被评论者发布的视频的评论的亲密分量.双向箭头表示双方相互进行了评论，箭头上的数字代表双方评论的亲密分量分别是多少，例如：用户21和22双方相互进行了评论，箭头上的数量2.25∶3代表用户21对用户22的评论亲密分量为2.25，用户22对用户21的评论亲密分量为3.

我们按照式(5)对群体用户之间的双向亲密度进行了计算，为了将用户之间的亲密度限制在1以内，我们设置α, β, γ, δ系数的值为保证每个类别的最大双向亲密度之和为1.在确定系数的取值之前，我们对300个用户进行了问卷调查，让参与调查的人选出3种其认为的最能体现亲密度的亲密分量，关注、通信录、点赞和评论所得的票数如表5所示，化简比例173∶186∶262∶279为2∶2.15∶3.03∶3.23，近似为2∶2∶3∶3的关系.因此我们设置α, β, γ, δ系数的值分别为保证这4种类别的最大双向亲密度为0.2, 0.2, 0.3, 0.3，以平衡4种亲密分量关系.这4个数值也代表了4种亲密分量在用户关系分析上所占的比重.例如：对于关注类别的亲密度，若双方互为关注，则亲密分量为2，为最大值，那么我们将α设置为0.2/2=0.1，此时，关注类别的最大亲密度为0.2.表6所示为各系数的取值说明.

图10所示为亲密度的计算结果，图10中线条(边)的粗细代表亲密程度，线条越粗代表双方关系越亲密.图10右边展示了亲密度值0.1～0.9的图例，群体中用户之间亲密度最大值为0.73，最小值为0.1.

为了验证亲密度计算结果的准确性，我们对班级的学生进行了问卷调查，问卷的问题之一是“你和你们班关系最好的3个人是谁？”，要求每位学生填写与自己关系最好的3个同班同学.由于这61人相互间的亲密度分布在0.1～0.8之间，因此实验对图10中不同亲密度值对应的边进行单独统计，分析不同亲密度值对应的边与问卷调查结果匹配的程度，方法如下：

1) 将每位学生的回答结果形成3条边，分别是从学生自己指向他(她)填写的3位同学，例如：用户28的问卷调查结果为{28,[29,46,66]}，则可以形成3条边(28,29), (28,46), (28,66)，本文称这些边为实际边，若学生的回答结果中包含11个未获得抖音ID的用户，则不参与匹配.

2) 将图10中的边形成双向关系，例如:边(1,37)形成2条边(1,37), (37,1)，并将这些边按照亲密度值进行归类，本文称这些边为测试边.

3) 将实际边与测试边进行匹配，看不同亲密度值范围对应的测试边分别有多少条被匹配，并计算匹配比例.例如：亲密度为0.7～0.8之间的4条测试边为(21, 22)，(22, 21)，(28, 46)，(46, 28)，编号为21,22,28,46的用户回答问卷的结果为：{21,[23,43,57]}，{22,[21,26,54]}，{28,[29,46,66]}，{46,[1,28,33]}.则亲密度为0.7～0.8之间的4条测试边中有3条边匹配，只有(21, 22)没有匹配，则匹配率为75%.

测试结果如表7所示，从表7中可以看出，总体上亲密度值越高的边被匹配的比例越高，说明实验对群体用户的亲密度计算结果是有效的.

我们按照式(6)(7)对群体用户的群体活跃度进行了计算，结果如图11所示，图11展示了各用户的主动活跃度和被动活跃度.为了验证群体活跃度计算结果的准确性，我们对学生进行的问卷调查的问题之二是“你们班最合群的3个人是谁？”(“合群”可以近似认为是对1个人的群体活跃性的一种表述，易于被调查人员理解)，我们对各位学生的得票数进行了统计，其中得票数最高的10人如表8所示，表8中列出了这些人的得票数、视频数、主动活跃度和被动活跃度，得票数排名前10用户都在前述61人之中.

结合表8和图11可以看出，这些用户的主动活跃度和被动活跃度都较高，说明实验对用户的群体活跃度的计算结果是有效的.编号为33,35,43的用户虽然没有在抖音上发视频，但仍然具有很高的群体活跃度和得票数，而编号为46和54的用户虽然发布抖音视频很多，但群体活跃度和得票数并没有排在最前面，说明用户的人缘好坏、在群体中是否活跃与发布抖音视频多少没有直接关系.

5.2 实验2

在实验2中，我们选择2个社会群体进行了实验，群体1为某公司的员工群体，总人数68人；群体2为某兴趣爱好团体，总人数92人.在征得用户同意的情况下，我们采取与实验1相同的方式收集了群体用户的电话号码，并添加到手机通信录，通过“查看通信录好友”功能同步到抖音服务端.

群体1有54人的手机号和抖音ID的对应关系被找到，群体2有76人的手机号和抖音ID的对应关系被找到.我们采取和实验1相同的方法对用户之间的亲密度进行了计算.由于实验1中亲密度小于0.2的2个用户之间的亲密关系预测成功率较低，因此实验2主要对0.2以上的亲密度进行分析，对亲密度大于0.2的2个用户设置问卷调查.群体1中亲密度在0.2以上的边数为76条，群体2中亲密度在0.2以上的边数为112条.

我们制作了网页版的调查问卷，并通过微信群消息的形式邀请用户参与问卷调查.问卷的问题设置与实验1有所不同，主要包括2个问题：1)在本团体(单位)中你与以下几个人关系比较亲密；2)在本团体(单位)中以下几个人与其他人关系处理得最好.问题1主要用来分析亲密度计算结果的有效性，在问题1中我们会给出与被调查用户亲密度在0.2以上的用户选项供用户选择，用户对选项进行正确与否的判断.问题2主要用来分析群体活跃度计算结果的有效性，在问题2中我们会给出群体活跃度最高(主动活跃度和被动活跃度的和最高)的10位用户供用户选择，用户同样对选项进行正确与否的判断.

群体1中实际有42人参与了问卷调查，所涉及的亲密度在0.2以上的边数为50条，形成问题1的选项数为50项.群体2中实际有63人参与了问卷调查，所涉及的亲密度在0.2以上的边数为86条，形成问题1的选项数为86项.我们对问卷调查中问题1的结果进行了整理，结果如表9所示.从表9可以看出，总体上亲密度值越高的边(选项)被用户认可的可能性越高，说明实验对群体用户的亲密度计算结果是有效的.

我们也对问题2的结果进行了统计，群体1中参与调查的42人共对420个选项(每个用户对10个活跃度最高的用户进行正确性判断)进行选择，其中281个选项被用户判断为正确，正确率为66.90%.群体2中参与调查的63人共对630个选项进行选择，其中379个选项被用户判断为正确，正确率为60.16%.群体活跃度的判断准确率均超过60%，说明实验对群体活跃度的计算结果是有效的.群体1的正确率高于群体2，我们推测原因是群体1(单位)的成员相互之间的联系紧密程度高于群体2(兴趣爱好团体).

6 安全威胁和防范建议

通过第5节中的实验可以了解到，抖音泄露共同联系人的安全漏洞为攻击者挖掘群体用户的关系提供了可能，为攻击者对群体用户实施进一步的网络攻击提供了有力的辅助，给用户造成了一定的安全威胁.本文将可能造成的安全威胁概括为3个方面：

1) 抖音群体用户的抖音账号被暴露.攻击者在获得群体用户的电话号码信息后，能够获得群体中尽可能多的用户的抖音账号信息，使用户对自己的隐私设置失效(关闭“允许将我推荐给好友”选项).

2) 攻击者伪装为某一用户的亲密朋友的身份对该用户进行诈骗.攻击者通过计算用户之间的亲密度，能够大致掌握某一用户在群体中的社交关系，找到与其较为亲密的朋友.攻击者通过某些攻击手段，伪装为该用户的亲密朋友，对该用户进行诈骗，可能导致攻击更容易取得成功.例如，攻击者可以通过植入恶意软件的方法，以亲密朋友的QQ或微信账号的身份向该用户发送信息进行诈骗.

3) 攻击者对一些群体活跃性较高、人缘较好的用户进行重点攻击.通过群体活跃度分析，攻击者能够了解到群体中哪些用户群体活跃度较高，群体活跃度较高的用户可能对周围的用户更具有影响力.因此攻击者针对这些用户实施攻击，并借助于他们将攻击扩散到群体中的其他用户，可能更易使攻击效果扩大化.

为了防御这种安全问题，我们分别从厂商和普通用户的角度提出了安全防范建议.

1) 从抖音厂商的角度.抖音App开发者不应当把共同联系人的账号信息向用户展示出来(如图2所示)，而是只向用户展示共同联系人的数量即可.如果必须要展示的话，也应当禁止展示那些把“允许将我推荐给好友”选项设置为关闭的用户.此外，由于抖音App基于客户端加密的反爬虫策略已经被实验证明是无效的，因此，抖音App开发者应当采取有效的服务器端防爬虫措施来防止攻击者大量收集用户数据的行为，而不应当仅仅依靠客户端参数加密来防爬虫.

2) 从用户的角度.我们认为用户应当谨慎地使用“查找通信录好友”的功能，尽量不要将自己的通信录信息传给抖音服务器，不仅给自己带来潜在的危害，也可能损害通信录好友的利益.此外，用户在从事各种网络活动时，也应当保护好自己的手机号码信息，防止被恶意攻击者所利用.

7 相关工作

与本文研究社交App群体用户的用户关系类似，一些研究者在社交网络的用户关系强度、用户亲密度等研究方面做过一些相关工作.

社交网络用户之间的关系强弱可以通过用户关系强度来度量，目前关于社交网络用户关系强度的研究主要建立在3种模型基础上：图模型、相似度模型和概率模型.在图模型方面，Zhuang等人[21]提出一个基于核的学习算法来推断社交媒体Flickr用户的社交关系强度，利用核函数成对学习法来估算社会关系强度.Zhao等人[22]提出了一个综合考虑用户个人信息、交互活动和活动域来衡量用户之间关系强度的通用框架.Zhong等人[23]提出了一个基于用户特征和交互信息的潜在特征来推算用户社会关系强度的模型，将矩阵分解与多核函数相结合.Guo等人[24]将多视图下的用户关系学习和关系强度建模耦合到一个过程框架中来发现潜在的用户社会关系强度.针对因隐私设置或是数据丢失等问题导致的节点之间的关系不可见的问题，一些研究者运用边缘权重预测的方法来分析社交网络中节点之间的关系强度.Aicher 等人[25]提出了一种加权随机块模型，将随机块模型推广到具有任意指数族分布的边权的网络，推断链接和边缘权重的存在.Zhu等人[26]提出了一种新的基于局部网络结构的权值预测方法，形成每个节点的邻居集，能够预测在部分链接权重信息丢失的情况下的链路权值.S等人[27]基于有监督的机器学习进行节点链接预测，使用权值来改善有监督的链接预测的相关性.在相似度模型方面，Singla等人[28]提出搜索主题的相关性高的用户之间存在较强的用户关系.Yu等人[29]通过对微博用户兴趣的研究发现，微博用户之间的关系强度与兴趣相似性正相关.随着基于位置服务的兴起，一些研究者提出通过分析用户轨迹相似度来挖掘移动社交网络中的用户关系强度的方法[30-31].在概率模型方面，Pham等人[32]根据用户在时间和空间上的共现关系，构建熵模型来计算用户关系强度.He等人[33]提出多元逐步线性回归模型，利用朴素贝叶斯分类器计算用户关系强度.还有一些研究者提出隐变量模型，通过用户之间的交互行为隐变量计算用户关系强度[34-35].Xiong 等人[36]提出了一个概率图模型来衡量社会网络中不同用户之间的关系强度，该模型考虑了用户特征之间的相似性、用户名的共现性和不同活动域中的交互活动.

在社交网络用户亲密度的研究方面，一些研究者提出了利用社交网络用户亲密度进行社交社区发现的方法.刘瑶等人[37]提出了有向加权社交网络中节点之间的亲密度定义，在此基础上设计了一种基于节点亲密度和度的社区结构检测方法，为无向无权、有向无权、无向加权、有向加权等社交网络的社区划分提供了统一的解决方法.Zheng等人[38]针对移动社交网络中高效的数据转发所面临的网络连通性的不确定性的难题，提出了一种基于地理亲密度的移动社交网络(mobile social networks, MSNs)数据转发方案，通过一种新的度量地理亲密度的方法，对社交节点的地理信息和节点之间的友谊进行量化.Wang等人[39]提出了一种基于节点间非对称亲密度的分层社区检测算法.在有向加权网络中，利用节点聚类算法有效地检测出社群结构，生成一组最优的社群，并采用了一个新的非对称参数来度量节点之间的密切关系.Kong等人[40]提出了一种基于用户亲密度的社区发现算法，利用社交网络局部拓扑信息构造一个亲密度矩阵来度量节点间的亲密度，通过计算节点的重要性，保证节点按特定的顺序更新，并在标签传播过程中评估标签对更新节点的影响.Chen等人[41]提出了一种基于亲密度进化聚类的动态社区结构检测算法，利用时间加权相似度矩阵，计算出社群演化过程中的时间变化，并利用微分方程来学习亲密度演化行为，在交互过程中根据迭代模型更新节点间的亲密度.

以上相关研究工作在计算用户之间的关系强度或亲密度时都没有考虑到用户之间的文本交流内容的情感值，没有如本文类似的工作，即采用社交媒体评论的文本情感分析来计算用户之间的关系强度和亲密度，因此，本文的研究工作是对已有研究工作的一种创新.

本文提出攻击者利用群体用户之间的关系能够实施更有效的攻击，与之类似，一些研究者也提出过关于攻击者利用社交网络用户之间的关系进行攻击的安全问题和相应的安全防御方法.

Wondracek等人[42]提出利用社交网络上的用户所属组的成员身份信息，可以唯一地标识一位匿名用户，实施反匿名攻击.Tai等人[1]提出利用社交网络中2个相连接的用户节点的度数进行友谊攻击，对已发布的社交网络数据集中的相关受害者进行识别.Sun等人[2]在Tai等人[1]的工作的基础上进行了扩展，提出了一种基于2个用户的共同联系人数量的攻击的新方式，并提出了一种k次非负矩阵分解(k-degree non-negative matrix factorization, k-NMF)匿名性方法保护用户共同好友数据.Macwan等人[3]提出一种基于共同朋友序列的匿名化方法来防御共同好友攻击，保证了在共同好友序列中至少有k个元素具有相同的值，增加一条边的共同好友数量能够降低其他边的共同好友匿名化要求.Jin等人[5]发现，在社交网站LinkedIn和Google Plus中，即使用户通过隐私设置限制了其他用户访问共同好友列表，攻击者也可以采取某些方法发起隐私窃取攻击，识别目标用户的朋友和远程邻居.他们也提出了一种通过用户好友列表进行友谊识别和推断的友谊识别推断(friendship identification and inference, FII)攻击[4]，可以利用用户的偏好冲突导致的策略不一致来识别和推断目标用户的很多好友.Liu等人[9]提出了一种利用朋友搜索引擎挖掘社交网络用户的好友关系的共谋攻击方式，通过一个精心设计的由多个恶意请求者协同发起的查询序列能够使受害者用户的友谊隐私设置失效.此外，一些研究者提出了利用社交网络用户节点之间的关系实施邻域攻击的方法[6-8]，在攻击者对目标受害者在社交网络上的邻居节点和邻居之间的关系有一定了解的基础上，邻域攻击可以使攻击者突破传统的匿名技术来识别受害者的身份.为了防御邻域攻击，研究者们提出了一些新的匿名方法，包括K-匿名(K-anonymity)方法[6]、基于邻域邻接矩阵(ONAM)的匿名方法[7]、动态l-分集(dynamic-l-diversity)的匿名方法[8]等.

通过对这些研究工作的分析，可以发现这些研究工作所提出的攻击者利用社交网络用户之间的关系进行攻击的方式都没有把实际的社会群体作为攻击对象，而本文所提出的攻击手法是在攻击者已知的社会群体的电话号码等信息的基础上，通过社交媒体来挖掘群体中用户之间的关系，从而为攻击者实施有效的攻击提供辅助，是对已有研究工作的一种创新.

8 结束语

本文提出了抖音共同联系人功能存在的泄露群体用户的抖音账号的安全问题，攻击者还可以利用收集到的群体用户相互之间的关注信息、通信录信息、视频点赞和评论信息，计算群体用户之间的亲密度和用户的群体活跃度信息，这些信息能够为攻击者实施对群体用户的进一步有效攻击提供一定的辅助.本文给出了具体的计算用户亲密度和群体活跃度的方法，并通过实验验证了所计算的群体用户的亲密度和群体活跃度信息的有效性，同时提出了这种安全问题对群体用户可能造成的安全威胁，给出了相应的安全防范建议.

本文的研究工作也存在一些局限性，例如，本文只是针对抖音App进行了研究，实际上这项研究还可以扩展到更多的App上，综合运用更多的App来分析群体用户的隐私泄露问题，不过由于我们在其他社交App上难以找到类似的安全漏洞，并且多个App之间通过什么形式进行关联依然是一个待解决的难题，这将是我们未来的研究工作需要解决的问题.此外，由于本文的实验对象是现实中真实的用户群体，考虑到群体用户的个人隐私问题，因此，实验规模和验证力度有限，未来我们将寻找到既能有效验证所提出的理论，又不危害测试人员个人隐私安全的有效实验验证方法.

作者贡献声明：乐洪舟提出研究思路,负责实验方案设计、实验数据分析和论文撰写;何水龙负责实验方案的具体实施、程序设计和测试;王敬负责实验数据采集、算法设计和论文校对.

参考文献

[1]Tai C H, Yu P S, Yang D N, et al. Privacy-preserving social network publication against friendship attacks[C] //Proc of the 17th ACM SIGKDD Int Conf on Knowledge Discovery and Data Mining. New York: ACM, 2011: 1262-1270

[2]Sun Chongjing, Yu P S, Kong Xiangnan, et al. Privacy preserving social network publication against mutual friend attacks[J]. Transactions on Data Privacy, 2014, 7(2): 71-97

[3]Macwan K R, Patel S J. Mutual friend attack prevention in social network data publishing[C] //Proc of the 2017 Int Conf on Security, Privacy, and Applied Cryptography Engineering. Berlin: Springer, 2017: 210-225

[4]Jin Lei, Takabi H, Long Xuelian, et al. Exploiting users’ inconsistent preferences in online social networks to discover private friendship links[C] //Proc of the 13th Workshop on Privacy in the Electronic Society. New York: ACM, 2014: 59-68

[5]Jin Lei, Joshi J B D, Anwar M. Mutual-friend based attacks in social network systems[J]. Computers & Security, 2013, 37: 15-30

[6]Liu Chuangang, Liu I H, Yao Wunsheng, et al. K-anonymity against neighborhood attacks in weighted social networks[J]. Security & Communication Networks, 2016, 8(18): 3864-3882

[7]Diwakar A K, Singh N K, Tomar D S. End user privacy preservation in social networks against neighborhood attack[C/OL] //Proc of the 2017 ISEA Asia Security and Privacy. Piscataway, NJ: IEEE, 2017 [2020-09-03]. https://ieeexplore.ieee.org/document/7976991

[8]Hu Xiaoyi, Wang Li’e, Tang Jiaqi, et al. Anonymizing approach to resist label-neighborhood attacks in dynamic releases of social networks[C/OL] // Proc of the 19th IEEE Int Conf on e-Health Networking, Applications and Services. Piscataway, NJ: IEEE, 2017 [2020-09-03]. https://ieeexplore.ieee.org/document/8210763

[9]Liu Yuhong, Li Na. An advanced collusion attack against user friendship privacy in OSNs[C] //Proc of the 40th IEEE Annual Computer Software and Applications Conf. Piscataway, NJ: IEEE, 2016: 465-470

[10]Quest Mobile. Spring 2020 China mobile Internet quarterly report[EB/OL] [2020-09-03]. https://www.questmobile.com.cn/research/report-new/90

[11]Sohu Tech. TikTok, WeRead was sentenced to infringe on user personal information[EB/OL] [2020-09-03]. https://www.sohu.com/a/410574111_115565

[12]Ji Changhong. Chinese Appellation Dictionary[M]. Shijiazhuang: Hebei Educational Press, 2001 (in Chinese)(吉常宏. 汉语称谓大词典[M]. 石家庄: 河北教育出版社, 2001)

[13]Liu Jingmin. Intimate appellation and Chinese aesthetic taste[J]. Shandong Social Sciences, 1998 (3): 3-5 (in Chinese)(刘静敏. 亲昵称谓与中国人的审美趣味[J]. 山东社会科学, 1998 (3): 3-5)

[14]Wu Chao. Research on the evolution of modern Chinese widely-used social addressing term[D]. Hohhot: Inner Mongolia University, 2015 (in Chinese)(吴超. 现代汉语通用社会称谓语的嬗变研究[D]. 呼和浩特: 内蒙古大学, 2015)

[15]Xu Shuang. Cognitive function perspective of semantic generalizations of Chinese intimate address terms[D]. Beijing: China University of Petroleum, 2018 (in Chinese)(徐爽. 汉语亲昵称谓语语义泛化的认知功能视角[D]. 北京: 中国石油大学, 2018)

[16]Wang Ke, Xia Rui. A survey on automatical construction methods of sentiment lexicons[J]. Acta Automatica Sinica, 2016, 42(4): 495-511 (in Chinese)(王科, 夏睿. 情感词典自动构建方法综述[J]. 自动化学报, 2016, 42(4): 495-511)

[17]Mei Lijun, Zhou Qiang, Zang Lu, et al. Merge information in HowNet and TongYiCi CiLin[J]. Journal of Chinese Information Processing, 2005, 19(1): 64-71 (in Chinese)(梅立军, 周强, 臧路, 等. 知网与同义词词林的信息融合研究[J]. 中文信息学报, 2005, 19(1): 64-71)

[18]Miao Yuqing, Gao Han, Liu Tonglai, et al. Sentiment analysis based on grid clustering[J]. Journal of University of Science and Technology of China, 2016, 46(10): 874-882 (in Chinese)(缪裕青, 高韩, 刘同来, 等. 基于网格聚类的情感分析研究[J].中国科学技术大学学报, 2016, 46(10): 874-882)

[19]Min Kerui, Ma Chenggang, Zhao Tianmei, et al. BosonNLP: An ensemble approach for word segmentation and POS tagging[C] //Proc of the 2015 Natural Language Processing and Chinese Computing. Berlin: Springer, 2015: 520-526

[20]Peng Haiyun, Cambria E, Hussain A. A review of sentiment analysis research in Chinese language[J]. Cognitive Computation, 2017, 9(4): 423-435

[21]Zhuang Jinfeng, Mei Tao, Hoi S C H, et al. Modeling social strength in social media community via kernel-based learning[C] //Proc of the 19th ACM Int Conf on Multimedia. New York: ACM, 2011: 113-122

[22]Zhao Xiaojian, Yuan Jin, Li Guangda, et al. Relationship strength estimation for online social networks with the study on Facebook[J]. Neurocomputing, 2012, 95: 89-97

[23]Zhong Youliang, Du Lan, Yang Jian. Learning social relationship strength via matrix co-factorization with multiple kernels[C] //Proc of the 2013 Int Conf on Web Information Systems Engineering. Berlin: Springer, 2013: 15-28

[24]Guo Dongyan, Xu Jingsong, Zhang Jian, et al. User relationship strength modeling for friend recommendation on Instagram[J]. Neurocomputing, 2017, 239: 9-18

[25]Aicher C, Jacobs A Z, Clauset A. Learning latent block structure in weighted networks[J]. Journal of Complex Networks, 2015, 3(2): 221-248

[26]Zhu Boyao, Xia Yongxiang, Zhang Xuejun. Weight prediction in complex networks based on neighbor set[J]. Scientific Reports, 2016, 6(1):38080

[27]S H R D, Prudencio R B C. Supervised link prediction in weighted networks[C] //Proc of the 2011 Int Joint Conf on Neural Networks. Piscataway, NJ: IEEE, 2011: 2281-2288

[28]Singla P, Richardson M. Yes, there is a correlation—From social networks to personal behavior on the web[C] //Proc of the 17th Int World Wide Web Conf. New York: ACM, 2008: 1627-1628

[29]Yu Yan, Mo Lingfei. Investigating correlation between strength of social relationship and interest similarity[C] //Proc of the 4th Int Conf on Computational Social Networks. Berlin: Springer, 2015: 172-181

[30]Yuan Yihong, Raubal M. Measuring similarity of mobile phone user trajectories—A spatio-temporal edit distance method[J]. International Journal of Geographical Information Science, 2014, 28(3): 496-520

[31]Li Quannan, Zheng Yu, Xie Xing, et al. Mining user similarity based on location history[C/OL] //Proc of the 16th ACM SIGSPATIAL Int Conf on Advances in Geographic Information Systems. New York: ACM, 2008: 1-10 [2020-09-03]. https://dblp.uni-trier.de/rec/conf/gis/LiZXCLM08.html

[32]Pham H, Shahabi C, Liu Yan. Inferring social strength from spatiotemporal data[J]. ACM Transactions on Database Systems, 2016, 41(1): No.7

[33]He Yaxi, Zhang Chunhong, Ji Yang. Principle features for tie strength estimation in micro-blog social network[C] //Proc of the 12th IEEE Int Conf on Computer and Information Technology. Piscataway, NJ: IEEE, 2012: 359-367

[34]Sheng Dakui, Sun Tao, Wang Sheng, et al. Measuring strength of ties in social network[C] //Proc of the 15th Asia-Pacific Web Conf. Berlin: Springer, 2013: 292-300

[35]Xiang Rongjing, Neville J, Rogati M. Modeling relationship strength in online social networks[C] //Proc of the 19th Int World Wide Web Conf. New York: ACM, 2010: 981-990

[36]Xiong Liyan, Lei Yin, Huang Weichun, et al. An estimation model for social relationship strength based on users’ profiles, co-occurrence and interaction activities[J]. Neurocomputing, 2016, 214: 927-934

[37]Liu Yao, Kang Xiaohui, Gao Hong, et al. A community detecting method based on the node intimacy and degree in social network[J]. Journal of Computer Research and Development, 2015, 52(10): 2363-2372 (in Chinese)(刘瑶, 康晓慧, 高红, 等. 基于节点亲密度和度的社会网络社团发现方法[J]. 计算机研究与发展, 2015, 52(10): 2363-2372)

[38]Zheng Yi, Zhang Dafang, Xie Kun. A geography-intimacy-based algorithm for data forwarding in mobile social networks[J]. Chinese Journal of Electronics, 2016, 25(5): 936-942

[39]Wang Xingyuan, Qin Xiaomeng. Detecting communities by asymmetric intimacy in directed-weighted network[J]. International Journal of Modern Physics C, 2017, 28(1): 1750006

[40]Kong Hanzhang, Kang Qinma, Liu Chao, et al. An improved label propagation algorithm based on node intimacy for community detection in networks[J]. International Journal of Modern Physics B, 2018, 32(25): 1850279

[41]Chen Jianrui, Liu Danwei, Hao Fei, et al. Community detection in dynamic signed network: An intimacy evolutionary clustering algorithm[J]. Journal of Ambient Intelligence and Humanized Computing, 2020, 11(2): 891-900

[42]Wondracek G, Holz T, Kirda E, et al. A practical attack to de-anonymize social network users[C] //Proc of the 2010 IEEE Symp on Security and Privacy. Piscataway, NJ: IEEE, 2010: 223-238

Analysis of Group Users’ Relationship Based on TikTok Mutual Contacts

Yue Hongzhou1,2, He Shuilong1, and Wang Jing1

1(School of Computer and Information Technology, Xinyang Normal University, Xinyang, Henan 464000)

2(Henan Key Laboratory of Analysis and Applications of Education Big Data(Xinyang Normal University), Xinyang, Henan 464000)

Abstract Many popular social apps have the function of showing mutual relationship between users. However, the exposure of mutual relationship may lead to the occurrence of user privacy security problems. Taking China’s most famous short video software TikTok as the research object, a privacy disclosure security vulnerability in the mutual contacts function of TikTok is analyzed. A method of vulnerability exploiting and attacking for group users is proposed. The attack effect is that even if some users are not allowed to find themselves through their mobile phone numbers by some settings, an attacker can still use the known mobile phone numbers of group users and the internal connections among group users to get these users’ TikTok accounts. After getting as many TikTok accounts of the group users as possible, attackers can collect the following, contacts, video likes and comments information among group users, and use this information to calculate users’ relationship, which can provide some assistance for launching further effective attacks. Two indexes—intimacy and group-activeness—are proposed to describe users’ relationship, and the calculation method of these two indexes is given. Through the experiment of three real groups in society, the effectiveness of user relationship calculation is verified. In the end, the security threats to users are analyzed and the security prevention suggestions are given.

Key words TikTok; mutual relationship; privacy disclosure; security vulnerability; user relationship

中图法分类号 TP309

收稿日期：2020-09-23；

修回日期：2021-04-21

基金项目：国家自然科学基金项目(31900710)；河南省自然科学基金项目(212300410236)

This work was supported by the National Natural Science Foundation of China (31900710) and the Natural Science Foundation of Henan Province(212300410236).

Yue Hongzhou, born in 1987. PhD, lecturer. His main research interests include the mobile app security, Android system security, and social network security.

乐洪舟，1987年生.博士，讲师.主要研究方向为移动应用安全、Android系统安全和社交网络安全.

He Shuilong, born in 1984. Master candidate. His main research interests include mobile networks security and cryptographic application.

何水龙，1984年生.硕士研究生.主要研究方向为移动网络安全和密码学应用.

Wang Jing, born in 1989. PhD, lecturer. His main research interests include social network security, artificial intelligence, and machine learning.

王 敬，1989年生.博士，讲师.主要研究方向为社交网络安全、人工智能和机器学习.