【技术实现步骤摘要】
一种基于矩阵分解的网络结构去匿名化系统及方法
本专利技术涉及网络结构去匿名化领域，特别涉及一种基于矩阵分解的网络结构去匿名化系统及方法。
技术介绍
社交网络现在被第三方消费者(如研究人员和广告商)广泛利用以了解用户特征和行为。通常，在发布网络数据之前，收集的数据集中包含的私人信息或敏感信息会匿名化，以防止个人隐私受到损害。为了量化隐私保护机制的保证级别并减轻用户的顾虑，研究基于敏感信息推断的网络去匿名化方法变得尤为重要。在社交网络中，由于隐私数据与公共数据共存，因此在社交网络数据发布时存在三个重要的隐私风险：内容泄露风险，身份泄露风险和链路泄露风险。目前，已经提出了许多匿名方法，可以分为两类，即基于泛化的方法和基于扰动的方法。具体而言，基于泛化的方法的基本思想是用不太具体但语义一致的信息替换敏感信息。基于扰动的方法包括链路修改策略和随机化策略，其中前者使用链路的添加和删除机制来满足期望约束，例如k-degreeanonymity和k-automorphismanonymity，后者则通过随机添加和删除链路来更改网络结...
【技术保护点】
1.一种基于矩阵分解的网络结构去匿名化系统，其特征在于，包括动态网络的获取数据模块，低秩稀疏模型训练模块，非负矩阵分解训练模型的构建模块，优化模块，其中：/n动态网络-静态网络转换模块，用于根据实时动态网络的社交网络数据获取静态网络以及静态网络的邻接矩阵；/n低秩稀疏模型训练模块，用于约束每个静态网络的局部特征结构同时去除每个静态网络的噪声；/n非负矩阵分解训练模型的构建模块，用于捕捉网络内在的固有规律，对网络的潜在特征进行刻画；/n优化模块，用于降低网络的随机性，进一步减少网络噪声对预测模型性能的负面影响。/n
【技术特征摘要】
1.一种基于矩阵分解的网络结构去匿名化系统，其特征在于，包括动态网络的获取数据模块，低秩稀疏模型训练模块，非负矩阵分解训练模型的构建模块，优化模块，其中：
动态网络-静态网络转换模块，用于根据实时动态网络的社交网络数据获取静态网络以及静态网络的邻接矩阵；
低秩稀疏模型训练模块，用于约束每个静态网络的局部特征结构同时去除每个静态网络的噪声；
非负矩阵分解训练模型的构建模块，用于捕捉网络内在的固有规律，对网络的潜在特征进行刻画；
优化模块，用于降低网络的随机性，进一步减少网络噪声对预测模型性能的负面影响。
2.根据权利要求1所述的一种基于矩阵分解的网络结构去匿名化系统，其特征在于，动态网络-静态网络转换模块包括原始数据获取模块、基于时间的划分模块以及邻接矩阵划分模块，其中：
原始数据获取模块，用于从现有的社交网络中获取实时动态网络数据；
基于时间的划分模块，用于将获取的实时动态网络数据根据时间区间分为T个静态网络；
邻接矩阵划分模块，用于获取每个静态网络的邻接矩阵。
3.根据权利要求1所述的一种基于矩阵分解的网络结构去匿名化系统，其特征在于，低秩稀疏模型训练模块包括低秩模块和稀疏模块，其中：
低秩模块，用于根据静态网络的邻接矩阵对静态网络的局部特征进行刻画，提取该静态网络中的局部特征；
稀疏模块，用于根据静态网络的邻接矩阵对静态网络的噪声进行刻画，提取该静态网络中的噪声。
4.根据权利要求1所述的一种基于矩阵分解的网络结构去匿名化系统，其特征在于，非负矩阵分解训练模型的构建模块包括降维模块和非负约束模块，其中：
降维模块，用于对低秩稀疏模型训练模块训练后的静态网络进行网络压缩；
非负约束模块，用于对进行网络压缩后的静态网络进行非负约束，使网络中每个元素都为非负。
5.根据权利要求1所述的一种基于矩阵分解的网络结构去匿名化系统，其特征在于，优化模块包括随机扰动模块、相似度评分模块以及叠加模块，其中：
随机扰动模块，用于随机删除或者添加网络中的连接关系，对网络造成随机扰动；
相似度评分模块，用于计算发生扰动之后网络的相似度评分矩阵；
叠加模块，用于对相似度评分矩阵进行叠加，并清除根据扰动变化的连接，固话不根据扰动变化的连接。
6.一种基于矩阵分解的网络结构去匿名化方法，其特征在于，包括以下步骤：
S1、获取数据源，数据源包括各个网络之间的关系的拓扑结构以及网络中用户之间关系的拓扑结构；
S2、将动态社交网络的数据集根据时间...
【专利技术属性】
技术研发人员：陈幸，吴涛，先兴平，明冠男，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆;50
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。