基于社交网络的差分隐私技术应用研究

摘要

随着社交网络技术的发展与普及，用户在社交网络中的社交关系等个人隐私数据的安全保护问题亟待解决。具有相关背景知识的恶意攻击者可能利用数据挖掘工具随意或频繁地收集和分析特定的信息，使得个人社交隐私遭到曝光甚至在社交网络中快速传播。用户希望获得便利的社交网络的同时却又不想个人隐私数据的完全透明。现有的相关隐私保护方法如匿名技术已不足以解决网络隐私的泄露问题，本文致力于使用差分隐私解决社交网络敏感结构数据信息的隐私保护问题。 本文对隐私保护研究发展进行概述总结，重点阐述了差分隐私保护模型及面向社交网络图结构的差分隐私保护的研究现状，分析比较了不同隐私方案模型的优缺点。针对社交网络数据的差分隐私发布及图数据相关性，本文的主要工作可总结如下： 首先提出了基于社区密度聚集的矩阵扰动的差分隐私保护方案，引入相关系数k确保存在边相关数据的差分隐私及其可用性。该方案先采用社区结构快速识别算法对社交网络进行结构标签识别，实现社区节点的标签聚集；然后对生成的上三角邻接矩阵使用数据独立的自适应方法结合二分树结构确定矩阵密集区域；最后，通过边最优分配重建带噪邻接矩阵进行最终网络图发布，进一步提升算法的处理效率和数据可用性。 其次结合dK模型直接对节点度数进行划分聚类处理，提出一种基于邻接度的边介数模型差分隐私处理方案和基于邻接度的隐私保护性衡量算法。利用dK模型捕获社交网络图结构，考虑边介数在网络中的影响力程度；为显著减小2K序列敏感度，本文提出改进模型，根据每个dK元组中最短路径边介数值对2K序列重排序，并根据排序后结果将整个序列聚类分组成各个子序列，保证原图中影响程度相近的边被聚类在同一序列中。 最后实验结果表明，与现有的经典方案相比，本文提出的方案在保护隐私的同时使得发布的网络数据具有较高的可用性。

目录

第一个书签之前