【技术实现步骤摘要】
基于权重社会网络的个性化差分隐私保护方法
[0001]本专利技术涉及社会网络隐私保护领域，具体涉及一种基于权重社会网络的个性化差分隐私保护方法。
技术介绍
[0002]随着互联网领域迅猛发展，大规模的网民在使用互联网进行社交活动的过程中产生了大量的社会网络数据，用户的个人隐私信息往往存在于这些社会网络数据中。这些数据具有巨大的商业价值和应用场景，同样也包含了很多敏感信息。直接分析社会网络数据会造成敏感信息泄露，对用户隐私构成威胁。为确保社会个体的隐私安全，在社会网络发布的过程中就需要进行隐私保护处理。权重社会网络中的边权值也包含着许多重要的隐私信息。例如，对某个社交网络群体进行传染病或者遗传病研究时，个体间的关系强弱可能会决定传染或者遗传的扩散趋势，这对于个体而言是极其隐私的。在社会网络发布中需要对边权重进行隐私保护。
[0003]已有的社会网络隐私保护方法主要分为两大类: 一种是基于聚类的匿名保护方法，用聚类算法把图划分成若干个子图，把各个子图匿名为一个超级节点，该类方法把子图内部的所有信息隐藏起来，造成的数据缺损...
【技术保护点】
【技术特征摘要】
1.一种基于权重社会网络的个性化差分隐私保护方法，其特征在于，包括以下步骤：步骤S1：获取原始的权重社会网络，并将其划分成若干个簇；步骤S2:对边权重进行分级处理，并通过预设函数f(x)来为每个簇确定ε值，为每个簇个性化地确定差分隐私噪声；步骤S3:构建单源最短路径约束模型来反映图属性，并通过单源最短路径约束模型来对添加的噪声进行约束，求解出噪声；步骤S4:基于求解得到的噪声，对每个簇中的带权边添加服从Laplace分布的噪声，得到扰动后的权重社会网络。2.根据权利要求1所述的基于权重社会网络的个性化差分隐私保护方法，其特征在于，所述步骤S1采用马尔科夫聚类算法对社会网络中的节点和边进行划分，将网络图聚类成不同的簇，具体如下：将社会网络建模为加权无向图，表示为G = (V , E , W)，其中V是节点的集合，E是边的集合，W是边权重设 A是图G的邻接矩阵，M为图G的转移概率矩阵，M(i , j)代表节点 vi 到节点 vj 的转移概率；定义转移概率矩阵M与邻接矩阵A之间的关系如下：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)通过反复修改转移概率矩阵来模拟图中节点的转移过程，该过程则是通过扩展操作和膨胀操作来实现的；重复执行扩展操作和膨胀操作，直至转移概率矩阵M收敛。3.判断与上次迭代的矩阵 M 是否有变化，若无变化，则收敛。4.根据权利要求2所述的基于权重社会网络的个性化差分隐私保护方法，其特征在于，所述扩展操作通过扩展参数e来对转移概率矩阵 M进行幂乘操作，当扩展参数e时，该操作如下：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)。5.根据权利要求2所述的基于权重社会网络的个性化差分隐私保护方法，其特征在于，所述膨胀操作通过膨胀参数r对矩阵M中的每一列进行幂乘操作，再对每一列进行归一化操作，当膨胀参数为r时，该操作如下：
ꢀꢀꢀꢀꢀꢀꢀꢀ
(3)。6.根据权利要求2所述的基于权重社会网络的个性化差分隐私保护方法，其特征在于，所述马尔科夫聚类算法，具体为：（1） 导出无向图 G（2） 创建 G 的邻接矩阵A（3） 对每个节点即对角线的每个顶点循环并自加1（4） 标准化该邻接矩阵，即每个元素除以所在列的所有元素之和；（5） 以扩展参数 e 对邻接矩阵进行扩展（6） 用参数 p 对求得的矩阵进行 Inflation 处理
（7）重复 （5）、（）60，直到达到收敛，得到收敛矩阵，聚类完成。7.根...
【专利技术属性】
技术研发人员：许力，许佳钰，章红艳，周赵斌，叶阿勇，
申请(专利权)人：福建师范大学，
类型：发明
国别省市：
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。