[发明专利]社交网络链接隐私保护效果的评价方法

说明书

本发明公开一种社交网络链接隐私保护效果的评价方法，首先对社交网络隐私保护发布图通过基于逻辑回归算法的链路预测计算所有未连接节点对的连接概率。将连接概率大于阈值的节点对对应的边形成预测链接；确定预测链接数量L和预测准确链接的数量Lr。用预测准确链接的数量Lr占所有预测链接数量L的比例作为预测精度，将预测精度作为评价链接隐私保护方法的实际保护效果的评价指标。预测精度越低，说明社交网络链接隐私保护效果越好，反之，社交网络链接隐私保护效果越差。

技术领域

本发明涉及社交网络隐私保护技术领域，具体涉及一种社交网络链接隐私保护效果的评价方法。

背景技术

社交网络在市场营销、心理学、流行病学和国土安全等应用领域具有重要意义。许多社交网络的应用，由于关系的敏感性，需要保护边的隐私。目前社交网络链接隐私的保护方法主要包括随机化和差分隐私方法。随机化方法数据发布者随机删除真实边，并在原始网络中插入假边，以保护敏感边不被识别。差分隐私方法使得攻击者难以确定某一条边是否存在于网络中，同时允许保留重要的网络结构信息，用于重要的数据分析任务。假设攻击者已经知道了保护链接隐私的发布图中目标节点的身份，但是不知道目标节点间是否存在敏感关系，如果攻击者能够从发布图的信息中推断出目标节点间敏感边的存在，就会造成目标节点的隐私泄露。所以数据发布者需要评价采用的链接隐私保护方法的实际保护效果，以便更好的保护敏感关系。

发明内容

本发明提供一种社交网络链接隐私保护效果的评价方法，其能够评价采用的链接隐私保护方法的实际保护效果，以便更好的保护敏感关系。

为解决上述问题，本发明是通过以下技术方案实现的：

一种社交网络链接隐私保护效果的评价方法，包括步骤如下：

步骤1：对于经过隐私保护所得到的社交网络发布图的每个节点k，将该节点k、节点k的直接邻居节点、节点k与其直接邻居节点之间的边形成局部网络M_k；

步骤2、针对每个局部网络M_k训练对应的逻辑回归模型，并利用训练好的逻辑回归模型LR_k来预测这个局部网络M_k中未连接节点对的连接概率；即：对于每个局部网络M_k，分别执行以下步骤：

步骤2.1、计算局部网络M_k中每个节点对的共同邻居相似度资源分配相似度和优先连接相似度

步骤2.2、将局部网络M_k中所有节点对作为训练集，并利用所有节点对的共同邻居相似度资源分配相似度优先连接相似度以及连接情况去训练逻辑回归模型，从而得到训练好的逻辑回归模型LR_k；其中节点v_i和v_j连接时，节点v_i和v_j未连接时，

步骤2.3、将局部网络M_k中未连接节点对作为测试集，并将未连接节点的共同邻居相似度资源分配相似度和优先连接相似度输入步骤2.2所训练好的逻辑回归模型LR_k，得到未连接节点对的连接概率

步骤3、当同一未连接节点对存在于不同的局部网络时，通过比较该未连接节点对在不同局部网络中的连接概率，并选择其中最大的连接概率作为该未连接节点对最终的连接概率；

步骤4、将连接概率大于预设概率阈值的未连接节点对所对应的边作为预测链接，并统计预测链接的数量L；

步骤5、统计预测链接即未连接节点对的边出现在未经过隐私保护的社交网络原图的数量Lr；

步骤6、将准确预测链接的数量Lr与所有预测链接的数量L的比值作为隐私保护方法的实际保护效果的评价指标，即当该比值越大时，隐私保护方法的实际保护效果效果越差，反之，则隐私保护方法的实际保护效果的效果越好。