[发明专利]一种基于图嵌入的敏感链接隐私保护方法

说明书

本发明提供了一种基于图嵌入的敏感链接隐私保护方法。该方法包括：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；将嵌入向量矩阵Z输入到解码器，该解码器重构出无向图G的图结构。本发明针对物联网中敏感链路的隐私保护问题，提出了一种敏感链路保护方法，用于隐藏网络中的敏感链路，防止链路预测攻击。通过设计损失函数，实现了隐私和效用之间的权衡。与传统的链接干扰方法相比，本发明摒弃了直接在原始图上应用链接干扰来去除私有信息的思想，从而减少了效用损失。

技术领域

本发明涉及敏感链接保护技术领域，尤其涉及一种基于图嵌入的敏感链接隐私保护方法。

背景技术

物联网集成了大量的通信、计算和传感设备，是终端智能设备和用户的有机集合。物联网中分布广泛的终端设备通过建立通信链路形成了分布式的多域网络，网络中的数据通常包含隐私信息，如敏感链接——实体间隐私的通信关系。一些信息平台出于商业目的将收集到的网络拓扑数据交易给他人，从而导致实体隐私泄露。

图是现实生活中常见的一种数据结构，其基本要素是节点和边，现实世界中的任何复杂系统都可以用图来表示，其中节点代表现实系统中的实体，链接捕获它们之间的各种关系。同样的，物联网中的网络拓扑也可以具象为终端设备为节点、通信链接为边的图结构数据，而敏感链接是图的隐私信息。因此，我们可以将物联网系统中的敏感链接隐私保护问题建模为敏感链接隐匿问题。

通常来说，实现链接隐匿的最直接的操作是将敏感链接从图中删去。然而，数据挖掘中的链接预测技术可通过将图映射到连续的向量空间中来预测图中缺失的链接。此外，除了节点和边，图中的节点通常还包含属性信息(即设备信息)，属性信息通常能增强链接预测的效果。因此，本发明要解决的技术问题是属性图的敏感链接隐匿问题，针对该问题设计了一种基于图嵌入的敏感链接隐私保护方法(SLPGE)，该方法适用于保护物联网系统中的敏感链接隐私。

链接预测可根据已知的信息来推测缺失或未知的事实，其广泛应用于社交网络、生物领域、通信网络和推荐系统的网络分析。同时，链接预测也可作为一种强有力的推理攻击方式，被用来窥探网络中实体的隐私。近年来，链接预测引发的隐私问题引起了研究者的关注，进而展开了链接预测对抗方法的研究。目前针对图结构数据对抗链接预测的隐私保护方法大多通过扰动网络结构改变网络的内在规律，进而降低各种链接预测方法对网络中敏感链接的预测能力，达到网络中敏感链接隐私保护的目的。

目前，现有技术中的一种链接干扰方案将敏感链接两端点的共同节点与端点间的链接作为待选删除链接，将基于局部相似度的攻击表述为优化问题来决定要删除的链接。还有方案提出了一种基于图自编码器(Graph Autoencoder，GAE)中梯度信息的迭代梯度攻击(Iterative Gradient Attack，IGA)方法，通过最大化敏感链接损失函数得到链接的梯度，该梯度代表了其他链接对敏感链接的影响程度，在每一次迭代中修改梯度最大的n条链接，经过k次迭代后得到最终的网络。还有方案针对动态网络提出了对抗动态网络链接预测(Dynamic Network Link Prediction，DNLP)的第一项研究，所提出的方法为时间感知梯度攻击(Time-aware Gradient Attack，TGA)，利用跨不同快照的深度动态网络嵌入(DeepDynamic Network Embedding，DDNE)生成的梯度信息来修改一些链接，从而使DDNE无法准确预测目标链接。

上述现有技术中的链接干扰方法主要存在以下缺点：

(1)直接对原图进行增删边操作会牺牲过多的数据效用性，故在实现敏感链接隐匿的同时需要做到隐私性与效用性的平衡；