[发明专利]一种基于图嵌入的敏感链接隐私保护方法

权利要求书

1.一种基于图嵌入的敏感链接隐私保护方法，其特征在于，包括：

将要实施隐私保护的网络模型的网络拓扑表示为一个无向图G，将所述无向图G中与敏感链接相关的隐私信息压缩到一个隐私嵌入向量矩阵Z_p；

将所述隐私嵌入向量矩阵Z_p与另一个图嵌入向量矩阵Z_f进行向量组合，形成嵌入向量矩阵Z，将所述嵌入向量矩阵Z输入到解码器，该解码器重构出所述无向图G的图结构。

2.根据权利要求1所述的方法，其特征在于，所述的将要实施隐私保护的网络模型的网络拓扑表示为一个无向图G，包括：

将网络模型的网络拓扑表示为一个无向图G＝(V,E,X)，其中V＝{v₁,v₂,...,v_N}是节点的集合，代表终端设备，N＝|V|为节点个数；E是边的集合，代表通信链接，将e_ij∈E定义为v_i和v_j，1≤i,j≤N之间的边，X∈R^N×F是节点属性矩阵，N行表示N个节点，F列表示F个属性，节点间的连接关系由邻接矩阵A∈R^N×N来表示，当e_ij存在时，A_ij为1，否则A_ij为0；

与敏感链接相关的隐私信息是指能够帮助推测出敏感链接的信息，包括两节点的属性信息和网络结构信息，该网络结构信息包括节点的一阶及以上邻居节点信息。

3.根据权利要求2所述的方法，其特征在于，所述隐私嵌入向量矩阵Z_p的生成模型和所述图嵌入向量矩阵Z_f的生成模型均采用了图神经网络中的变分图自动编码器的编码-解码结构，且均包含由两层图卷积神经网GCN构成的编码器Encoder、内积解码器Decoder以及Softmax分类器。

4.根据权利要求3所述的方法，其特征在于，所述的将所述无向图G中与敏感链接相关的隐私信息压缩到一个隐私嵌入向量矩阵Z_p，包括：

所述隐私嵌入向量矩阵Z_p的生成模型通过算法一和算法二对无向图G进行预处理，得到邻接矩阵A_p，所述算法一为生成隐私图邻接矩阵的增边算法，算法一认为两个具有更多共同邻居的节点之间的连接强度更强，所述算法二为生成隐私图邻接矩阵的删边算法，算法二认为当图中仅保留敏感链接及其相邻链接时，图中的关键信息将集中在敏感链接上；将所述邻接矩阵A_p和节点属性矩阵X作为编码器的输入，编码器输出Z_p；

所述隐私嵌入向量矩阵Z_p的生成模型有三个优化目标：1)使和A_p尽可能相似；2)使Z_p的分布尽可能接近高斯分布；3)使Z_p的节点分类尽可能准确；

所述隐私嵌入向量矩阵Z_p的生成模型的损失函数设计如下：

loss₁＝loss_link1+loss_dist+loss_label， (9)

其中，A_ij和分别是A_p和中的元素值，loss_link1、loss_dist和loss_label分别是链接重构损失、分布损失和节点分类损失，loss₁是损失总和，p是A_p中元素0与元素1的个数之比，用于解决正负样本不平衡的问题，y_il代表节点v_i属于类别l的真实值，y_il＝1说明节点v_i属于类别l，否则y_il＝0，是中的元素值，代表将节点v_i归类于类别l的概率值。