[发明专利]一种基于无向图修改的社交网络隐私保护方法

说明书

技术领域

本发明属于网络隐私加密技术领域，具体涉及一种基于无向图修改的社交网络隐私保护方法。

背景技术

社交网络是指以一定社会关系或共同兴趣为纽带、以各种形式为在线聚合的用户提供沟通、交互服务的互联网应用。这种以人与人关系为核心的方式建立的社会关系网络映射在互联网上就形成了以用户为中心、以人为本的互联网应用。社交网络上节点之间的联系与线下人们之间的联系存在一定的对应关系，因此挖掘社交网络的局部结构信息具有极大的经济价值和社会价值。伴随着Facebook、Twitter等社交网络的普及与推广，人们日益习惯在社交网络中表达自己个性、寻找感兴趣的好友、跟踪感兴趣的新闻主题。如果对社交网络的局部结构进行深入研究与分析，挖掘特定的规律可能会带来巨大的经济和社会价值。

如果数据拥有者直接对外发布简单匿名化的社交网络，攻击者通过多种渠道预先收集目标用户在网络中的好友关系图，在发布的匿名数据中搜索匹配网络结构，在发布的匿名图中重新定位目标用户对应的匿名节点，就有可能泄露用户的个人隐私。因此社交网络隐私保护技术主要在于防止攻击者对发布的数据通过数据挖掘泄露用户个人隐私。

虽然隐私保护技术在这些年已经得到了深入的研究与探讨，但传统的隐私保护技术主要是面向关系型数据，用户记录之间并不存在直接的联系，而是以表格的形式呈现出来，相应的隐私处理方法较少考虑数据之间的关系。而社交网络中各个实体之间关系是一种非常重要的信息，例如好友关系、粉丝关系等，而这些联系都有可能被攻击加以利用来泄露用户隐私，传统的隐私保护技术已经不再适用于这种场景。而社交网络领域的隐私保护技术目前虽然已有了初步的研究，Liu K在标题为Towards identity anonymization on graphs（Proceedings ofthe2008ACM SIGMOD international conference on Management of data,2008:93-106）的文献中提出了防止度攻击的社交网络隐私保护方法，其通过对节点度的修改来匿名真实的用户；而Zhou B在Preserving privacy in socialnetworks against neighborhood attacks（Proceedings of IEEE24th InternationalConference on Data Engineering,2008:506-515）的文献中提出了防止直接邻居攻击的社交网络隐私保护方法，其通过对节点的直接邻居结构进行修改以匿名真实用户。这些方式虽然防止了简单的隐私攻击方式，但社交网络因数据的复杂性，攻击模型多样性，数据应用场景不同，要面对的攻击方式将更加复杂。攻击者搜集到用户的多级邻居关系在发布的社交网络图中搜索目标用户时，之前的两种方法都不能有效的防止这种复杂的攻击方式。

发明内容

针对现有技术所存在的上述技术问题，本发明提供了一种基于无向图修改的社交网络隐私保护方法，能够有效地保护发布数据中用户的个人隐私。

一种基于无向图修改的社交网络隐私保护方法，包括如下步骤：

（1）构建待发布社交网络的无向图H；无向图H中每个节点对应代表每个用户，任意两节点间的连线代表对应两个用户的好友关系；

（2）删除无向图H中各节点的身份信息，得到无向图G；通过最大频繁子图挖掘算法从无向图G中挖掘出最大频繁子图集合，并从最大频繁子图集合中任取出k个子图组成待删除子图集合，k为大于1的自然数；

（3）确定待删除子图集合中k个子图间节点的对应关系，进而构建节点映射表；

（4）对待删除子图集合中各子图进行扩展，计算扩展后待删除子图集合的匿名代价值；

（5）通过比较当前扩展后待删除子图集合的匿名代价值与上一次扩展后待删除子图集合的匿名代价值，对待删除子图集合进行迭代扩展，每迭代扩展一次则对节点映射表更新一次，直至迭代扩展收敛；将迭代扩展收敛后的待删除子图集合从无向图G中删除，得到无向图G’，并返回步骤（2）中再对无向图G’进行最大频繁子图挖掘，依此循环操作直至无向图G删空；

（6）根据所述的节点映射表，通过在无向图G中添加映射线和虚假节点形成匿名同构图，并对该匿名同构图进行发布。

所述的步骤（3）中，通过深度优先搜索算法（DFS）计算待删除子图集合中每个子图的最小DFS编码，根据最小DFS编码确定待删除子图集合中k个子图间节点的对应关系。

所述的步骤（4）中，对待删除子图集合中各子图进行扩展的方法如下：