基于负调查的社交网络拓扑隐私保护方法技术

本发明专利技术公开了一种基于负调查的社交网络拓扑隐私保护方法，包括：1将原始社交网络G中所有节点设置为未访问状态，初始化负社交网络G

【技术实现步骤摘要】
基于负调查的社交网络拓扑隐私保护方法


[0001]本专利技术属于社交网络隐私保护领域，具体的说是将高斯负调查这一新型的隐私保护方法首次应用于社交网络拓扑结构的隐私保护中。

技术介绍

[0002]随着社交平台的发展，包括了大量个人敏感信息的社交网络得到广泛关注，同时社交网络分析已经成为社会学、信息学、地理学等多种学科的研究热点，随着攻击者加速利用日常生活中的数据依赖性，社交网络数据泄露随之扩大。为了保护用户的隐私信息提出了各种隐私保护方法。
[0003]现有的社交网络拓扑结构的隐私保护方法大致可分为三类：社交网络匿名化、限制社交网络上的查询以及扰动社交网络的边连接关系。社交网络的匿名使得网络中代表的用户信息无法直观地获得，但是如果攻击者掌握了一个用户的相关背景知识时，攻击者仍然可以从这些背景知识中在匿名发布后的社交网络中推出某个用户的身份，并且获得用户的相关社交关系以及个人的敏感信息，比如年龄，薪资，疾病等。限制社交网络上的查询给用户提供了较好的隐私保护，但是限制了社交网络的使用，应用场景有限，使得社交网络的数据可用性较低。而扰动社交网络边连接关系的隐私保护方法，需要加入大量的噪声边或噪声节点来达到理想的隐私保护水平，这样的处理方式将导致社交网络的数据可用性较低。总的来说，社交网络的隐私保护方法，关键点在于如何平衡好匿名社交网络的隐私性和数据可用性，即拥有较高隐私性的同时能够获得较好的数据可用性。很显然，以上总结的几种方法没有使得匿名社交网络的隐私性和数据可用性达到一个较好的平衡。
[0004]作为人工免疫系统的一个分支，负调查是受生物免疫系统中负选择机制启发而来的敏感信息收集模型。由于负调查可以在保护个人隐私的同时收集敏感信息，因此已被用于在不同场景中收集各种敏感信息以及数据发布等领域。负调查已被用于保护许多不同类型的敏感信息的隐私并已有工作已经证明了其隐私保护能力，但现有方法主要集中于类别敏感信息，已有的工作中还没有任何工作采用负调查来保护社交网络的拓扑隐私。

技术实现思路

[0005]本专利技术克服了上述现有技术存在的不足之处，提出一种基于负调查的社交网络拓扑隐私保护方法，以期能够在隐私性和数据可用性两方面达到较好的平衡，即拥有较高隐私性的同时能够获得较好的数据可用性，同时可以有效抵御两种常见的图结构攻击，包括友谊攻击和子图攻击，从而在不同规模的社交网络中都具有很好的安全性表现。
[0006]本专利技术为达到上述专利技术目的，采用如下技术方案：
[0007]本专利技术一种基于负调查的社交网络拓扑隐私保护方法，所述社交网络G(V,E)是由n个用户节点构成的用户节点集合V＝{v1,v2,...,v
i
,...,v
n
}和n个用户节点之间连接关系的边集E＝{(v
i
,v
j
)v
i
∈V,v
j
∈V,i≠j}组成的关系网络；v
i
表示第i个用户节点；v
j
表示第j个用户节点；(v
i
,v
j
)表示第i个用户节点v
i
与第j个用户节点v
j
之间的好友关系；
[0008]将任意两个节点之间边的关系进行取反操作后所形成的边记为翻转边，取反操作称为翻转；
[0009]记社交网络中的子网络为正子网络PosSubnetwork；
[0010]定义对于具有相同节点的两个子网络Subnetwork1和Subnetwork2之间的距离Dis是指从Subnetwork1转换为Subnetwork2所需翻转边的最少次数；
[0011]所述社交网络拓扑隐私保护方法是按如下步骤进行：
[0012]步骤1、初始化社交网络：
[0013]将社交网络G(V,E)中的所有节点设置为未访问状态，定义并初始化一个负社交网络G
′
(V
′
,E
′
)为空集，其中，V
′
表示负社交网络的用户节点集合，E
′
表示负社交网络的边集；
[0014]步骤2、初始化高斯分布模型的方差σ，定义并初始化参数M，从而利用式(1)得到选择与正子网络距离为r的负子网络的概率p
r
，从而得到选择与正子网络距离为前M(M
‑
1)/2的概率P＝(p1,p2,...,p
r
,...,p
M(M
‑
1)/2
)，且p1＞p2＞...＞p
M(M
‑
1)/2
，
[0015][0016]式(1)中，μ为高斯分布模型的均值；且μ＝1；
[0017]步骤3、对P＝(p1,p2,...,p
r
,...,p
M(M
‑
1)/2
)进行归一化处理，得到归一化后的概率P
′
＝(p
′1,p
′2,...,p
′
r
,...,p
′
M(M
‑
1)/2
)，其中，p
′
r
表示归一化后选择与正子网络距离为r的负子网络的概率；
[0018]步骤4、从所述社交网络G中随机选择M个未被访问的用户节点构建一个子网络，将第k个正子网络的用户节点集合V
k
＝{v
k,1
,v
k,2
,...,v
k,m
,...,v
k,M
}；v
k,m
表示第k个正子网络中的第m个用户节点；
[0019]步骤5、基于高斯负调查模型生成负子网络，并将负子网络加入到G
’
中；
[0020]步骤5.1、随机生成一个区间为(0，1]的随机数rand，定义并初始化临时变量Temp＝p
′1，初始化r＝1；
[0021]步骤5.2、判断Temp≥rand是否成立，若成立，则执行步骤5.3；否则，r+1赋值给r，Temp+p
r
赋值给Temp；
[0022]步骤5.3、从第k个正子网络的用户节点集合V
k
＝{v
k,1
,v
k,2
,...,v
k,m
,...,v
k,M
}中随机选取2
×
r个用户节点并构成用户节点子集；
[0023]步骤5.4、将用户节点子集中各个用户节点之间连接关系进行翻转，并将翻转后的边集及其对应的2
×
r个用户节点所构成的一个负子网络加入G
’
中；
[0024]步骤5.4、将第k个正子网络中的M个用户节点设为已访问状态；
[0025]步骤六、按照步骤4
‑
步骤5的过程对从所述社交网络G其余满足条件且本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于负调查的社交网络拓扑隐私保护方法，所述社交网络G(V,E)是由n个用户节点构成的用户节点集合V＝{v1,v2,...,v
i
,...,v
n
}和n个用户节点之间连接关系的边集E＝{(v
i
,v
j
)|v
i
∈V,v
j
∈V,i≠j}组成的关系网络；v
i
表示第i个用户节点；v
j
表示第j个用户节点；(v
i
,v
j
)表示第i个用户节点v
i
与第j个用户节点v
j
之间的好友关系；其特征在于，将任意两个节点之间边的关系进行取反操作后所形成的边记为翻转边，取反操作称为翻转；记社交网络中的子网络为正子网络PosSubnetwork；定义对于具有相同节点的两个子网络Subnetwork1和Subnetwork2之间的距离Dis是指从Subnetwork1转换为Subnetwork2所需翻转边的最少次数；所述社交网络拓扑隐私保护方法是按如下步骤进行：步骤1、初始化社交网络：将社交网络G(V,E)中的所有节点设置为未访问状态，定义并初始化一个负社交网络G
′
(V
′
,E
′
)为空集，其中，V
′
表示负社交网络的用户节点集合，E
′
表示负社交网络的边集；步骤2、初始化高斯分布模型的方差σ，定义并初始化参数M，从而利用式(1)得到选择与正子网络距离为r的负子网络的概率p
r
，从而得到选择与正子网络距离为前M(M
‑
1)/2的概率P＝(p1,p2,...,p
r
,...,p
M(M
‑
1)/2
)，且p1＞p2＞...＞p
M(M
‑
1)/2
，，式(1)中，μ为高斯分布模型的均值；且μ＝1；步骤3、对P＝(p1,p2,...,p
r
,...,p
M(M
‑
1)/2
)进行归一化处理，得到归一化后的概率P
′
＝(p
′1,p
′2,...,p
′...

【专利技术属性】
技术研发人员：江浩，廖月荣，张兴义，项小书，王朝，
申请(专利权)人：安徽大学，
类型：发明
国别省市：