面向社交网络的分布式差分隐私一致性方法及系统技术方案

本发明专利技术公开一种面向社交网络的分布式差分隐私一致性方法及系统，包括：对社交网络系统中每个用户个体的原始状态信息添加噪声，得到交互信息，其中，噪声为遵循方差为的拉普拉斯分布，每个用户个体对应原始状态信息中添加的噪声相互独立；用户个体i接收到相邻的用户个体j发送的所述交互信息，并基于所述交互信息更新自身状态；通过对社交网络系统中每个用户个体的原始状态信息中添加时变方差的拉普拉斯噪声，不需要像现有技术中那样需要衰减到零，状态信息不是直接随时间推断的；删除了对噪声呈指数衰减和恒定噪声的要求，消除了对手无法访问目标代理与其所有邻居的通信的假设，无论对手是否拥有任何辅助信息，都能够更好地保护代理隐私。保护代理隐私。保护代理隐私。

【技术实现步骤摘要】
面向社交网络的分布式差分隐私一致性方法及系统


[0001]本专利技术涉及数据隐私保护
，具体涉及一种面向社交网络的分布式差分隐私一致性方法及系统。

技术介绍

[0002]多个体系统作为一个非常活跃的研究领域，可以广泛应用于众多场合，一致性问题作为多个体系统控制的基本问题之一，受到众多学者的关注。同时随着人们对隐私和安全的需求日益增加，许多应用程序都需要保护单个数据集的隐私。
[0003]近年来，在线社交网络发展迅速，截至2020年3月，第45次《中国互联网发展状况统计报告》显示，社交网络用户规模达到9.04亿，互联网普及率达64.5％，2020年第1季度微博、微信，月活跃用户分别达到了5.5亿和12.03亿人次。社交网络帮助人们在建立社会性网络应用服务的同时，也存在用户隐私泄露的问题。例如Facebook超5亿用户个人数据遭到泄露，截止到2021年4月，5.33亿Facebook用户的个人隐私数据遭到泄露，包括用户的电话号码、登录ID、姓名全称、住址、出生日期、个人简历等。因此我们可以看到，我们在使用社交网络进行人际交往和交换信息时，自己的个人隐私很有可能会暴露给别人。
[0004]为了实现对隐私保护的要求，已经提出了一些方法来抵消这种潜在的隐私泄露，例如同态加密、添加噪声、时变变换和状态分解。同态加密允许直接计算加密数据，而不会泄露任何有关原始文本的信息。然而，这种方法会产生大量的通信和计算开销。通过在交互信息中添加相关噪声，同时保护初始状态不受影响，可以实现准确的共识。然而，如果潜在的被动攻击者获得了个体接收和传递的信息，则可以在这种相关噪声机制下通过迭代观测器估计该个体的初始状态。一般来说，当前在平均一致性问题中考虑隐私保护时都假设对手无法访问个体的整个邻域集。
[0005]在发布来自许多科技公司(例如Google和Apple)的数据时，差分隐私技术已被广泛考虑。基于给出的原始定义，差分隐私已扩展到多智能体场景，包括在共识问题中保护初始智能体状态，在分布式优化和博弈中保护反对函数，在卡尔曼滤波中保护全局状态轨迹。从系统控制的角度，提供了控制系统隐私安全的教程和综合框架。通过在信息上添加不相关的噪声，为离散时间多智能体系统设计了一种差分私有共识方法，其中智能体几乎可以肯定地实现无偏收敛到平均值。针对连续时间异构多智能体系统设计了一种差分隐私一致性方法，同时提出了一种事件触发方案来减少控制更新并保证方法的差分隐私。总的来说，目前的文献有两个共同点：1)所有方法都是为平均一致性设计的，2)为了保证收敛性并满足差分隐私级别，随着时间的推移，隐私噪声需要以指数方式衰减到零(或恒定)。
[0006]事实上，实际系统之间的相互作用同时涉及合作和竞争，此时多个体系统会出现另一种一致性，称作二元一致性，并且衰减到零的噪声可能会暴露状态的轨迹。
[0007]相关技术中，公布号为CN114943097A的中国专利技术专利申请文献公布了一种基于微服务的社交网络图数据差分隐私保护方法，采用了用户输入网络数据集以及初始参数的步骤；调用数据处理微服务模块，生成图序列的步骤；生成的图序列获取参数微服务模块的步
骤；采用图序列差分化微服务模块的步骤；对处理后的二阶差分序列采用差分隐私化微服务模块的步骤；生成以隐私预算为横坐标、以相对L1误差为纵坐标的折线统计图的步骤；该方案结合微服务和差分序列对社交网络数据序列进行二重处理，生成了二阶差分序列，在二阶差分序列上添加了拉普拉斯噪声，提高了差分隐私保护，为社交网络数据的隐私保护提供了强有力的技术支撑。
[0008]公布号为CN110602129A的中国专利技术专利申请文献公布了一种基于效用机制平均一致性隐私保护优化方法，首先对网络G进行系统图论相关分析并用无向图表示，然后进行基于噪声的隐私保护一致性算法设计，接着分别对隐私保护一致性算法的(α,γ)
‑
收敛时间、(ε,δj)
‑
隐私度进行设计，最后基于效用机制对隐私保护一致性算法收敛时间进行了优化。该方案基于效用机制激励用户降低隐私保护需求，进而实现节点用户保护度和网络收敛时间的折中，能有效解决多智能体平均一致性的节点隐私泄露问题。
[0009]但上述现有方案公开的是基于效用机制平均一致性隐私保护优化方法，为平均一致性设计，事实上，实际系统之间的相互作用同时涉及合作和竞争，此时多个体系统会出现另一种一致性，称作二元一致性，此时，上述方案不再适用。

技术实现思路

[0010]本专利技术所要解决的技术问题在于如何更好地保护社交网络的代理隐私。
[0011]本专利技术通过以下技术手段实现解决上述技术问题的：
[0012]本专利技术提出了一种面向社交网络的分布式差分隐私一致性方法，所述方法包括：
[0013]对社交网络系统中每个用户个体的原始状态信息添加具有时变方差的噪声，得到交互信息，其中，噪声为遵循方差为2b2(k)的拉普拉斯分布，每个用户个体对应原始状态信息中所添加的噪声相互独立；
[0014]用户个体i接收到相邻的用户个体j发送的所述交互信息，并基于所述交互信息更新自身状态，公式表示为：
[0015][0016]式中：y
j
(k)表示k时刻用户个体j发送的交互信息；α(k)表示k时刻设置的步长，其随时间变化；a
ij
表示社交网络图的邻接矩阵A中的元素；x
i
(k)表示k时刻用户个体i的原始状态信息；表示用户个体i的邻居集合；x
i
(k+1)表示k+1时刻用户个体i更新后的状态信息；sgn()表示返回一个整型变量，用于指出参数的正负号；||表示绝对值。
[0017]本实施例对社交网络系统中每个用户个体的原始状态信息中添加的隐私噪声是随机的，遵循方差为2b2(k)的拉普拉斯分布，不需要像现有技术中那样需要衰减到零，状态信息不是直接随时间推断的；此外，通过采用了随时间变化的步长，比使用恒定步长的控制更灵活。与现有技术相比，删除了对噪声呈指数衰减和恒定噪声的要求，消除了对手无法访问目标代理与其所有邻居的通信的假设，无论对手是否拥有任何辅助信息，本方案都能够更好地保护代理隐私。
[0018]进一步地，所述步长α(k)和噪声参数b(k)满足以下条件之一：
[0019][0020][0021]进一步地，所述步长α(k)和噪声参数b(k)的公式表示如下：
[0022][0023]b(k)＝b(k+α2)
γ
,γ＜β
‑
1/2,b＞0
[0024]式中：b表示下限。
[0025]进一步地，在所述对社交网络系统中每个用户个体的原始状态信息添加噪声，得到交互信息之前，所述方法还包括：
[0026]将所述社交网络系统中各用户个体作为节点，节点之间的连线作为边，将所述社交网络系统中各用户个体之间的通信建模为所述社交网络图其中，表示非空集合，N表示节点数量；表示边集；A＝[a
ij
]表示所述社交本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向社交网络的分布式差分隐私一致性方法，其特征在于，所述方法包括：对社交网络系统中每个用户个体的原始状态信息添加具有时变方差的噪声，得到交互信息，其中，噪声为遵循方差为2b2(k)的拉普拉斯分布，每个用户个体对应原始状态信息中所添加的噪声相互独立；用户个体i接收到相邻的用户个体j发送的所述交互信息，并基于所述交互信息更新自身状态信息，公式表示为：式中：y
j
(k)表示k时刻用户个体j发送的交互信息；α(k)表示k时刻设置的步长，其随时间变化；a
ij
表示社交网络图的邻接矩阵A中的元素；x
i
(k)表示k时刻用户个体i的原始状态信息；表示用户个体i的邻居集合；x
i
(k+1)表示k+1时刻用户个体i更新后的状态信息；sgn()表示返回一个整型变量，用于指出参数的正负号；||表示绝对值。2.如权利要求1所述的面向社交网络的分布式差分隐私一致性方法，其特征在于，所述步长α(k)和噪声参数b(k)满足以下条件之一：步长α(k)和噪声参数b(k)满足以下条件之一：3.如权利要求1所述的面向社交网络的分布式差分隐私一致性方法，其特征在于，所述步长α(k)和噪声参数b(k)的公式表示如下：b(k)＝b(k+α2)
γ
,γ＜β
‑
1/2,b＞0。4.如权利要求1所述的面向社交网络的分布式差分隐私一致性方法，其特征在于，在所述对社交网络系统中每个用户个体的原始状态信息添加噪声，得到交互信息之前，所述方法还包括：将所述社交网络系统中各用户个体作为节点，节点之间的连线作为边，将所述社交网络系统中各用户个体之间的通信建模为所述社交网络图其中，表示非空集合，N表示节点数量；表示边集；A＝[a
ij
]表示所述社交网络图的邻接矩阵；社交网络图中的关系边集由有序对代理{j,i}表示，对于所述邻接矩阵A，若{j,i}∈ε，则有a
ij
≠0，否则a
ij
＝0；a
ij
＞0表示社交网络中用户个体i和用户个体j之间的交互是合作关系，a
ij
＜0表示社交网络中用户个体i和用户个体j之间的交互是竞争关系。5.如权利要求3所述的面向社交网络的分布式差分隐私一致性方法，其特征在于，在设步长噪声参数为b(k)＝O(k
γ
),γ＜β
‑
1/2时，均方收敛速度的计算公式为：
当β∈(0,1)时，对于所有当β∈(0,1)时，对于所有表示非空集合，有：E[x
i
(k)
‑
s
i
x
*
]2＝O(k
1+2γ
‑
2β
)当β＝1时，对于所有有：式中：x
*
表示随机变量；s
i
表示对角矩阵S中的元素；λ2(L)表示矩阵L的特征值。6.如权利要求3所述的面向社交网络的分布式差分隐私一致性方法，其特征在于，在设步长噪声参数为b(k)＝O(k
γ
),γ＜β
‑
1/2时，几乎确定的...

【专利技术属性】
技术研发人员：张纪峰，王继民，康宇，赵延龙，吕文君，
申请(专利权)人：中国科学技术大学，
类型：发明
国别省市：