[发明专利]一种面向社交网络数据的差分隐私处理发布方法

说明书

本发明公开了一种面向社交网络数据的差分隐私处理发布方法。该方法是在针对社交网络图的邻接矩阵处理时运用快速社区检测差分加噪的方式，对社交网进行结构标签识别，生成使社区节点聚集的节点标签；同时对生成的上三角邻接矩阵使用数据独立的自适应方法和二分树结构来确定矩阵密集区域；最后使用矩阵处理方式重建带噪邻接矩阵并进行网络图发布。本发明引入社区分组的概念，在保护社交网络数据隐私的同时也能确保较好的数据功用性，使用上三角矩阵分区域密度重建的方式可有效提高数据处理效率，针对不同密度设计最优的加噪边分配方式也确保了方案的隐私保护程度。

技术领域

本发明涉及社交网络数据发布的差分隐私处理的技术领域，具体涉及一种面向社交网络数据的基于社区检测密度聚集的隐私处理发布方法。

背景技术

现如今，随着移动终端设备的普及以及相关移动网络技术的发展，使得社交网络以及大数据技术越来越深入到普通用户的日常生活当中，但用户在社交网络中的社交关系以及个人隐私数据的安全仍然是值得重点关注的问题。

社交网络可以以一张图结构的形式存在，存在度数较多的中心节点(以微博网络中的明星为例)，中心节点将会引出许多条边(粉丝关注)，产生出度数较少的节点，社交网络图中可存在多个中心节点，并且相互之间可以产生关系(例如A明星和B明星是夫妻或者恋人)，也可以是一个节点通过某个点认识另一个点(例如通过一个都认识的导演)。某些中心节点与周围节点组成的紧密联系往往会形成单独的社区网络。为确保关系网络中个体的隐私安全，在社交网络发布前需对信息进行隐私保护处理(媒体记者往往会从明星社交网络中的关系变化制造新闻，例如A明星取消@B明星)。社交网络发布的隐私保护，其目的是在保证社会个体敏感信息不被泄漏的情况下实现有效的信息共享，其实现途径大多采用了差分隐私技术。目前，社交网络的差分隐私处理技术，通常是：要么按照节点度数方向进行划分处理，要么是转换为邻接矩阵处理的思路。前者是基于聚类的方法，该方法由于隐匿了子图内部社会个体的属性信息和关联信息，因此带来了较大的数据缺损，不利于对社会网络的局部结构进行分析，也影响了社会网络的整体规模；后者是基于网络结构修改的方法，该类方法对社交网络的结构进行修改，使发布的社交网络与原始社交网络在结构上存在一定差异，以此达到隐私保护的目的。结构修改方法相对聚类方法而言可保持社交网络的原有规模，数据缺损相对较小，可获得相对较高的数据效用，但隐私保护能力相对下降。

同时现有一些主要用于解决关系型数据发布的隐私保护模型，包括K-匿名， L-多样性，t-closness等，无法很好的直接用于解决社交网络中的隐私泄露问题，同时这些方法缺少严格的攻击模型，不能抵御基于背景知识的攻击。

针对以上问题，我们还发现：社交网络数据的邻接矩阵结构，节点聚集往往可以划分为组团，进而再可划分为密度聚集的不同社区。针对这一特性，可以引入社区检测方式对网络区域设计不同的差分隐私发布处理方法，从而在保证隐私保护程度的同时保持较高的数据可用性。

发明内容

本发明目的在于针对上述现有技术的不足，基于网络图结构转换发布差分隐私需求的模型，提供一种能够满足隐私与功用平衡的基于社区密度聚集的矩阵扰动的差分隐私方法。在实现差分隐私测算图结构相关性程度的前提下，通过分组转换和加噪能够较好的处理原有的社交关系隐私；同时引入社区检测算法与上三角矩阵的二分树结构划分存储的方式，有效提升隐私发布处理效率与数据隐私保护程度。

本发明采用的技术方案包括如下步骤：

步骤1、获取某一待发布的原始社交网络图G，每条关系都转换为邻接矩阵中(0,1)的元素形式来存储，将其映射在距形二维平面矩阵A_o区域内，对待发布的社交网络图初始的节点标签标记为χ，用数组n[k]记录初始对应的标签。