一种针对协同过滤中共谋推断攻击的差分隐私保护方法技术

本发明专利技术公开了一种针对协同过滤中共谋推断攻击的差分隐私保护方法，包括如下步骤：根据用户相似性对用户进行分组，并根据分组结果为用户进行推荐，在此基础上，将强相似用户关联为整体用户，并为整体用户返回相同的推荐结果；在添加差分隐私噪声前进行敏感度计算，分析任意一个用户数据存在与否对于其他任意数据推荐结果的最大影响；对推荐功能性添加差分隐私噪声，并根据干扰的功能性为用户进行推荐。本发明专利技术关联可能进行共谋攻击的用户，并为之进行统一干扰，防止推断攻击，在此基础上降低差分隐私噪声大小，提升推荐准确性。

【技术实现步骤摘要】
一种针对协同过滤中共谋推断攻击的差分隐私保护方法
本专利技术涉及一种差分隐私保护方法，尤其涉及一种针对协同过滤中共谋推断攻击的差分隐私保护方法。
技术介绍
近年来，随着互联网的快速发展，网络信息资源呈指数级增长，使得用户难以有效地从海量资源中获取有用的数据。协同过滤利用与用户兴趣相投、拥有共同经验之群体的喜好来推荐用户感兴趣的内容，已成为目前最常用的推荐技术。然而，协同过滤在帮助用户从海量信息资源中发现潜在感兴趣的内容的同时，也为用户带来了隐私泄露风险。由于每个用户的推荐结果都是来自与之具有相似偏好的用户，一个恶意用户在知道目标用户部分偏好信息的前提下，就可以创建一些与目标用户相似的虚假账号，并分析这些虚假账号的推荐结果，通过共谋攻击的方式推断目标用户的其它偏好信息。相较于传统的推断攻击，共谋攻击能够显著提升攻击者推断用户隐私信息的概率。差分隐私是一个严格的隐私定义，该定义保证了任意一条数据的出现与否对于查询结果几乎没有影响。在差分隐私的定义下，即使一个攻击者知道除要保护数据之外的所有数据，差分隐私保护机制也能保证攻击者不能通过查询结果本文档来自技高网...

【技术保护点】
1.一种针对协同过滤中共谋推断攻击的差分隐私保护方法，其特征在于，包括如下步骤：/n(1)根据用户相似性对用户进行分组，并根据分组结果为用户进行推荐，将强相似用户关联为整体用户，并为整体用户返回相同的推荐结果；/n(2)在添加差分隐私噪声前进行敏感度计算，分析任意一个用户数据存在与否对于其他任意数据推荐结果的最大影响；/n(3)对推荐功能性添加差分隐私噪声，并根据干扰的功能性为用户进行推荐。/n

【技术特征摘要】
1.一种针对协同过滤中共谋推断攻击的差分隐私保护方法，其特征在于，包括如下步骤：
(1)根据用户相似性对用户进行分组，并根据分组结果为用户进行推荐，将强相似用户关联为整体用户，并为整体用户返回相同的推荐结果；
(2)在添加差分隐私噪声前进行敏感度计算，分析任意一个用户数据存在与否对于其他任意数据推荐结果的最大影响；
(3)对推荐功能性添加差分隐私噪声，并根据干扰的功能性为用户进行推荐。


2.根据权利要求1所述针对协同过滤中共谋推断攻击的差分隐私保护方法，其特征是，步骤(1)具体包括如下步骤：
(a)对于任意用户ui(i＝1，2，...n)，提取所有与ui相似性大于阈值参数d的用户，将所有与ui相似性大于阈值参数d的用户加入ui的分组其中，i＝1，2，...n，n为正整数；
(b)对于相似参数s，提取所有与ui相似性大于阈值参数s的用户，将所有与ui相似性大于阈值参数s的用户与ui关联为整体用户；
(c)重复步骤(a)和(b)，直到对所有用户进行分组、以及对强相似用户关联。


3.根据权利要求2所述针对协同过滤中共谋推断攻击的差分隐私保护方法，其特征是：步骤(b)中，d小于s。


4.根据权利要求1所述针对协同过滤中共谋推断攻击的差分隐私保护方法，其特征是，步骤(2)具体包括如下步骤：
(a)将敏感度初始化为0；
(b)对于任意用户ui(i＝1，2，...n)，将ui数据从全局用户历史数据矩阵M中删除，得到临近历史数据矩阵M′，其中，i＝1，2，...n，n为正整数；
(c)对于任意用户uj(j＝1，2，...n，j≠i)，分别计算M和M′中所有内容被推荐给uj的功能性，记...

【专利技术属性】
技术研发人员：罗军舟，郭桃林，董恺，杨明，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏;32