[发明专利]一种面向加权社交网络隐私保护的图匿名方法

说明书

本发明公开了一种面向加权社交网络隐私保护的图匿名方法，结合k成员模糊聚类和模拟退火算法对节点度序列创建最优聚类得到新的度序列，对原图进行增删边操作使重构图满足新的度序列；对于度相同的节点，为抵御背景知识攻击，对部分节点边权重进行泛化，使得相同度节点权重值满足l多样性模型，实验结果表明，相比较其他方法，本发明所提供的k成员模糊聚类和模拟退火算法结合不仅能抵御加权社交网络中节点度和加权边的背景知识攻击，同时能有效减少匿名后数据的损失量，提高数据的实际效用。

技术领域

本发明涉及隐私保护技术领域，更具体的是，本发明涉及一种面向加权社交网络隐私保护的图匿名方法。

背景技术

随着在线社交网络的不断发展，用户之间联系日益密切，产生了大量社交网络数据，比如电话、微信聊天、微博超话，邮件等。这些数据集包含了用户大量的关系数据、属性数据和边权重数据等重要隐私信息。虽然通过分析这些数据可以提高用户的服务质量，但这些数据可能被攻击者利用进而危害用户隐私安全。通常在社交网络数据发布和分析之前，需要进行匿名处理，最常见的方法是去除节点属性的标识符，保留其他信息，避免用户隐私被直接识别，但攻击者仍然可以通过背景知识，如用户朋友数量，用户的兴趣偏好等实现结构识别和链接攻击，为了兼顾数据的实用性和隐私性，方便公司利用社交网络数据获取利益与保护用户的个人隐私，一个合适的社交网络隐私保护方法尤为重要。

目前，社交网络的种类数量很多，为了适应要保护的不同类型社交网络和攻击类型的多样性，研究人员已经提出了多种解决方案，Liu等人第一次引入了k度匿名图的概念，对于每个节点，至少有k-1个节点与此节点有相同的度，可以有效抵御节点的度造成的身份泄露；Zou等人将节点周围所有的结构信息作为准标识符信息，提出了一种k自同构模型，保证了发布数据不受任何子图攻击；Mortazavi等人为图添加足够的边来满足(k,l)图匿名要求隐私要求，然后在保持隐私要求的前提下去除附加边，使得模型高效可行；张宇轩等人为利用一种重构图方法将节点度限制在阈值之内，并利用差分隐私直方图发布机制对外发布数据，但该方法过度考虑隐私保护，在重构图时删除了大量的边，导致发布数据的失真较为严重。

近年来，差分隐私逐渐被应用到社交网络数据的隐私保护，wang等人提出了一种概率生成模型privateSBM来合成和发布加权社交网络，但privateSBM基于变分贝叶斯期望与最大化，只有当EM算法达到全局最优时才能实现差分隐私，这使得模型在现实世界中不实用。

尽管很多文章应用了聚类匿名化方法处理社交网络数据，但是都没有将聚类匿名化看作最优目标，利用传统方法聚类产生的匿名图时，需要增删大量边和节点，造成严重的数据失真；同时现有技术中大多数方法并未关注加权网络的隐私保护。

发明内容

本发明的目的是设计开发了一种面向加权社交网络隐私保护的图匿名方法，通过k成员模糊聚类和模拟退火相结合，对节点进行最优聚类，实现k度匿的同时有效减少了重构图时边的改变量，同时，利用边权重泛化保证了同一簇中至少l个节点，有效抵御背景知识攻击。

本发明提供的技术方案为：

一种面向加权社交网络隐私保护的图匿名方法，包括如下步骤：

步骤一、对图数据G＝(V,E,W)进行k成员模糊聚类和模拟退火获得最优度划分序列；

其中，G为无向加权图，V为节点的集合，E为边的集合，W为边权重的集合，k为节点数，且k为整数；

步骤二、通过所述最优度划分序列构造k-度匿名图；

步骤三、对所述k-度匿名图加权边泛化获得(k,l)匿名图；

其中，l为节点边权重相同个数，且l为整数。

优选的是，所述k成员模糊聚类包括：