[发明专利]基于权重社会网络的个性化差分隐私保护方法

说明书

本发明涉及一种基于权重社会网络的个性化差分隐私保护方法，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。本发明在实现用户隐私信息强保护的同时能使发布的权重社会网络仍具有可接受的数据效用。

技术领域

本发明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。

背景技术

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。

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，造成的数据缺损过大，不利于数据的共享和研究；另一种是对网络结构进行改动，通过对边的增加、删除和修改操作，使发布后的图在结构上和原始图存在一些差异，这类方法数据缺损比较小，数据的效用性较高。上述两大类方法设计的隐私保护算法大都基于攻击者背景知识受限的前提，不能够保证隐私信息的绝对安全，实现的是弱保护。实现隐私信息的强保护，确保信息安全的有效方法是采用差分隐私模型设计隐私保护算法。差分隐私建立在坚实的数学基础上，对隐私保护进行了严格的定义并提供了量化评估方法，是一种基于数据失真的强保护模型。可以利用差分隐私保护机制向网络图中的边权值添加拉普拉斯噪声，来达到隐私保护的目的。 在权重社会网络中，权值越大的边需要更强的保护。但是传统的方法在利用差分隐私技术对权重社会网络进行隐私保护时，一般是对所有边进行同一等级的保护，未对网络图中的边权重进行分级保护，这样会导致隐私保护不均衡的问题。

因此，针对权重社会网络数据的发布可能遭到边权值攻击进而导致用户隐私泄漏的问题。

发明内容

有鉴于此，本发明的目的在于提供一种基于权重社会网络的个性化差分隐私保护方法，实现用户隐私信息的强保护同时使发布的权重社会网络仍具有可接受的数据效用。

为实现上述目的，本发明采用如下技术方案：

一种基于权重社会网络的个性化差分隐私保护方法，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。

进一步的，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：