[发明专利]一种基于对偶优化的高可用性图数据隐私保护方法

说明书

本发明设计了基于对偶优化的高可用性图数据隐私保护方法。其发明内容主要包括分析图数据节点元素集合特征，提出一种基于查询函数均方差的图数据可用性量化模型；提出一种服从拉普拉斯机制的图数据差分隐私保护方法，并分析所提出的隐私保护方法满足差分隐私定义；提出一种基于对偶优化的图数据可用性优化方法，根据拉格朗日乘子法和海森矩阵判定法确定可行解是否是鞍点，确保图数据的高可用性。本发明保护图数据发布过程中的隐私信息的同时，保证图数据的高可用性，确保图数据敏感信息和数据的发布安全、可用。

技术领域

本发明涉及图数据安全和隐私保护领域，特别是涉及基于对偶优化的高可用性图数据隐私保护方法。

背景技术

随着社交网络、物联网的快速发展，越来越多的互联网应用数据呈现出图结构的特征，例如，美国脸书(Facebook)公司拥有约25亿用户，这些用户相互关联形成了一个庞大的图结构数据集。伴随着图结构数据的规模越来越大、应用越来越广，大规模图数据隐私泄露问题也面临着严峻的挑战。在大规模图数据中，每个节点和每条边都包含着丰富的个人隐私信息，如用户身份证号、地址、联系方式、以及用户与用户之间的关系。一旦用户的敏感信息被泄露，将对用户、企业带来严重的经济损失，甚至对国家和社会构成严重威胁。因此，亟需研究一种大规模图数据隐私保护技术，确保图数据在发布过程中的安全性。

为了解决大规模图数据隐私保护问题，研究人员设计了多种加密机制，用于保护图数据在发布与查询过程中的隐私信息。然而，这些传统的加密机制主要针对关系型数据，如文本信息，而图数据具备结构复杂，数据量大，关联性强等特点。一方面，由于传统的加密算法性能单一，难以解决复杂图数据的隐私保护问题；另一方面，传统的加密算法基于繁重的密码算法构造，计算复杂度较高，无法提供高效的密文图数据应用服务，难以实现高效的图数据应用需求。此外，传统的加密算法会极大地阻碍图数据的数值计算，使得明文下的图数据性质不再适用。因此，研究高可用性图数据隐私保护方法具有非常深远的意义和应用价值。

由于差分隐私保护拥有严格的数学可解释性，且能够保护统计数据发布过程中的隐私信息，目前已被广泛应用于数据安全与隐私保护中。此外，差分隐私保护可以根据隐私预算确定隐私保护力度和数据可用性，从而解决图数据在隐私保护前提下的数据可用性优化问题。在图数据统计信息发布过程中，由于一些攻击者可以通过差分攻击推测出源数据中的敏感信息。因此，我们需要对图数据的节点或者边添加噪声，使得图数据发生随机扰动，攻击者无法根据已有的信息区分添加噪声前后的图数据，从而实现了图数据的隐私保护。

考虑到传统的图数据隐私保护方法可用性较低，只能实现单一类型数据的隐私保护，无法支持大规模且结构复杂的图数据隐私保护，更不能实现图数据节点与节点之间关联关系的隐私保护。本发明提出一种新型的基于对偶优化的图数据隐私保护方法，与传统隐私保护方法相比，新型的隐私保护方法具有更高的可用性，且具备更大的隐私保护力度。此外，本发明结合拉格朗日乘子法和海森矩阵判定法，构建一种基于隐私预算最优化模型，实现图数据发布过程中安全性和可用性达到最佳的平衡。

发明内容

发明目的：本发明旨在解决图数据发布过程中存在的隐私泄露问题，提出一种基于对偶优化的高可用性图数据隐私保护方法，主要包括三大内容：

内容一：分析图数据节点元素集合特征，提出一个基于查询函数均方差的图数据可用性量化模型；

内容二：提出一种服从拉普拉斯机制的图数据差分隐私保护方法，保护图数据隐私；

内容三：提出一种基于拉格朗日乘子法的图数据可用性优化方法，并利用海森矩阵判定法确定可行解是目标函数的鞍点，确保图数据的高可用性。

本发明所提出的基于对偶优化的高可用性图数据隐私保护方法，具体内容如下：

内容一：提出一个基于查询函数均方差的数据可用性量化模型。