System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及社交网络隐私保护领域,具体涉及一种熵驱动的基于社交图元属性的差分隐私保护方法。
技术介绍
1、互联网的快速发展,社交网络服务(social network service,sns)也随之飞速发展。各类社交网络应用层出不穷,人们可以通过qq、微信、微博等社交应用交友或者分享各种信息,这种基于社交应用软件下形成的人与人之间的协作关系网络称为社交网络。社交网络是基于信息网络的社会个体集合和个体连接关系所形成的社会性结构。社交网络可以抽象成网络拓扑图,图中的节点代表社交网络用户,边则表示为用户之间的联系。社交网络拓扑图产生大量的图数据影响着人们的生活,社交图数据能直观的展现出社会变化和整体趋势。
2、近年来,隐私数据泄露事件频频发生。攻击者能够通过分析社交图数据获取个人用户的敏感信息以及用户间的关联关系,从而推测出用户的喜好、政治态度、受教育情况等,甚至可利用用户的好友列表进一步的扩大影响范围并造成极其严重的后果。由此可见,社交网络提供用户社交服务的同时,会使得用户的敏感信息遭到泄露。并且从泄露的数据类型来看,泄露最多的隐私数据是个人基本信息,其次是用户账号密码信息,再者是个体敏感信息。因此,如何在保护用户敏感信息和联系关系的前提下,实现社交网络图数据的安全发布,已成为目前亟待解决的重要社会问题。
技术实现思路
1、有鉴于此,本专利技术的目的在于提供一种熵驱动的基于社交图元属性的差分隐私保护方法,旨在解决上述问题。
2、为实现上述目的,本专利技术采用如
3、熵驱动的基于社交图元属性的差分隐私保护方法,其特征在于,包括以下步骤:
4、步骤s1:获取社交网络原图;
5、步骤s2:基于社交网络原图,根据节点的属性值相似度计算节点之间的属性亲密度,构建属性亲密度矩阵;
6、步骤s3:在属性亲密度矩阵的基础上对社交网络划分社区结构,并选取社交网络种子节点;
7、步骤s4:基于差分隐私的图数据安全发布算法,挖掘种子节点重要社交图元结构,利用图修改技术对其结构进行变动后结合差分隐私技术对图元结构的边亲密度扰动,完成图数据结构的隐私保护,最后转化为不确定图进行发布。
8、进一步的,所述步骤s2具体为:将社交网络原图转化为邻接矩阵,根据节点的属性值相似度计算节点之间的属性亲密度,构建属性亲密度矩阵。
9、进一步的,所述属性相似度反应出两个节点之间的亲密度,即相同的属性越多,则节点间社交关系越亲密,定义属性相似度如公式(1)所示:
10、
11、其中si和sj表示节点i和j的属性数量,两者的相似度越高,则sim(i,j)值越大,sim(i,j)∈[0,1]。轨迹的同步化。
12、进一步的,所述步骤s3具体为:
13、利用scan算法将网络进行划分成不重叠的社区结构的同时检测出网络中的桥节点和孤点,其中桥节点表示为连接不同社区的桥梁可以将信息传播到不同的社区孤点表示不与其他节点相连,并且独立于其他社团结构的节点;
14、将各个社区中影响力最大化的节点和所有的桥接点加入候选种子集内seedg;
15、基于社交网络属性亲密矩阵结合信息熵计算候选种子集seedg中节点的影响力,选出最终的种子节点集seedtopk。
16、进一步的,所述信息熵,具体如下:
17、网络中的信息熵如公式(2)所示:
18、
19、其中ii表示节点vi的重要性;
20、根据网络的边是否有向以及是否有权,将网络分为四个类型,其中在加权无向网络中,将变得权值转化为节点的强度值,具体计算如公式(3)所示:
21、
22、其中γvi表示为节点vi的邻居节点集;节点的vj邻接强度值qj=∑w∈γj∑i∈γjwij,wij表示为节点vi和节点vj之间的边权值。
23、进一步的,所述步骤s4具体为:挖掘种子节点的特殊图元结构,并对图元结构进行图修改;利用差分隐私技术对图元中的亲密度进行扰动,并将扰动后的属性亲密度矩阵转化为不确定图。
24、本专利技术与现有技术相比具有以下有益效果:
25、1、本专利技术在保护用户敏感信息和联系关系的前提下,实现社交网络图数据的安全发布;
26、2、本专利技术不仅对社交网络的结构进行保护,还对社交用户的属性特征信息进行保护;
27、3、本专利技术利用图修改技术对种子节点的图元结构进行修改。其次,依据属性亲密度划分出网络中不同强弱关系后,使用差分隐私技术对其分配不同的隐私预算。
本文档来自技高网...【技术保护点】
1.熵驱动的基于社交图元属性的差分隐私保护方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的熵驱动的基于社交图元属性的差分隐私保护方法,其特征在于,所述步骤S2具体为:将社交网络原图转化为邻接矩阵,根据节点的属性值相似度计算节点之间的属性亲密度,构建属性亲密度矩阵。
3.根据权利要求1所述的熵驱动的基于社交图元属性的差分隐私保护方法,其特征在于,所述属性相似度反应出两个节点之间的亲密度,即相同的属性越多,则节点间社交关系越亲密,定义属性相似度如公式(1)所示:
4.根据权利要求1所述的基于熵驱动的基于社交图元属性的差分隐私保护方法,其特征在于,所述步骤S3具体为:
5.根据权利要求4所述的熵驱动的基于社交图元属性的差分隐私保护方法,其特征在于,所述信息熵,具体如下:
6.根据权利要求1所述的熵驱动的基于社交图元属性的差分隐私保护方法,其特征在于,所述步骤S4具体为:挖掘种子节点的特殊图元结构,并对图元结构进行图修改;利用差分隐私技术对图元中的亲密度进行扰动,并将扰动后的属性亲密度矩阵转化为不确定图。
【技术特征摘要】
1.熵驱动的基于社交图元属性的差分隐私保护方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的熵驱动的基于社交图元属性的差分隐私保护方法,其特征在于,所述步骤s2具体为:将社交网络原图转化为邻接矩阵,根据节点的属性值相似度计算节点之间的属性亲密度,构建属性亲密度矩阵。
3.根据权利要求1所述的熵驱动的基于社交图元属性的差分隐私保护方法,其特征在于,所述属性相似度反应出两个节点之间的亲密度,即相同的属性越多,则节点间社交关系越亲密,定义属性相似度如公式(1)...
【专利技术属性】
技术研发人员:章静,曾钻洋,黄其涵,黄一睿,李彪,
申请(专利权)人:福建工程学院,
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。