[发明专利]基于动态网络表示学习的抗近邻合谋数字指纹生成方法

说明书

本发明公开了一种基于动态网络表示学习的抗近邻合谋数字指纹生成方法，首先，用动态社交网络构造连续时间网络，利用连续时间网络的邻居结构的影响概率进行有偏向的随机游走以获得节点采样序列。然后通过Skip‑gram模型训练节点采样序列，使得网络结构上邻近的用户具有相似的用户特征向量码，依据用户特征向量码构造数字指纹可追踪到近邻的合谋用户。最后，针对单独的抗合谋码的辨识性会减弱的问题，结合上述用户特征向量码和CFF码共同构造数字指纹，可在合谋人数增多时准确追踪到合谋用户。在高交互的社交网络中合谋泄密者的关系随时间演化，本发明使用邻居结构的影响概率保留了用户之间的近邻关系，可在动态的社交网络环境下追踪到近邻合谋泄密者。

技术领域

本发明涉及数字指纹技术领域，特别是一种基于动态网络表示学习的抗近邻合谋数字指纹生成方法。

背景技术

数字产品在网络传播成为主流，数字产品经拷贝分发泄露给未授权的用户，可能会给分发商带来极大的损失。数字指纹技术将指纹编码嵌入相关数字产品中，当发现非法泄露、散播的数字产品的时候，可依据该数字产品中嵌入的指纹编码信息追查到非法用户。当非法用户明确知道数字内容存在数字指纹时，企图联合其近邻用户破坏数字指纹，动态社交网络具有复杂的用户关系，依据传统的数字指纹将难以追查到近邻合谋用户。传统指纹生成编码技术存在一些缺陷：生成指纹码的数量存在限制，如果数量生成过多，指纹码的长度就会过长；分组是静态的，不易扩展，而且很可能出现用户跨组合谋生成新的盗版产品，降低分组指纹系统的抗合谋攻击性能；合谋者的追踪没有考虑社交网络的影响，因为关系密切的用户极有可能合谋；合谋者的判别没有考虑时间因素的影响，随着时间的演变，合谋关系也会发生变化。此外，在社交网络中，泄密者更容易与近距离社区中的邻居用户勾结，非法散播数字产品。有鉴于此，确有必要设计利用社交网络关系的、具有扩展性且抗近邻合谋的数字指纹码。

发明内容

本发明所要解决的技术问题是克服现有技术的不足而提供一种基于动态网络表示学习的抗近邻合谋数字指纹生成方法，采用基于邻居结构影响的有偏随机游走策略获取采样序列，用Skip-gram模型训练用户特征向量码，并结合抗合谋编码CFF码构造用户指纹码，保留了用户之间的邻居结构，可以快速的追踪到近邻合谋者。

本发明为解决上述技术问题采用以下技术方案：

根据本发明提出的一种基于动态网络表示学习的抗近邻合谋数字指纹生成方法，包括以下步骤：

步骤(1)、选取带有时间戳的动态社交网络数据集构造连续时间网络；

步骤(2)、根据步骤(1)构造的连续时间网络的邻居结构的影响构造概率分布函数，依据概率分布函数在连续时间网络中进行有偏向的随机游走采样，得到节点采样序列的集合；将节点采样序列的集合输入到Skip-gram模型中，训练得到用户特征向量码；

步骤(3)、根据连续时间网络的节点密度生成CFF码，联合用户特征向量码和CFF码生成用户数字指纹。

作为本发明所述的一种基于动态网络表示学习的抗近邻合谋数字指纹生成方法进一步优化方案，步骤(1)具体如下：

步骤(1.1)、选择用户所在的动态社交网络数据集，对动态社交网络数据集进行信息提取，提取的信息包括动态社交网络中的节点、两个节点之间的边的时间戳；

步骤(1.2)、根据步骤1.1提取出的节点、带有时间戳的边构建连续时间网络。

作为本发明所述的一种基于动态网络表示学习的抗近邻合谋数字指纹生成方法进一步优化方案，步骤(2)具体包括：

步骤(2.1)、置节点采样序列L为空，在步骤(1)得到的连续时间网络中随机选择一条游走的初始边，并将初始边两端的节点加入节点采样序列L中；