CN107918664A - 基于不确定图的社会网络数据差分隐私保护方法 - Google Patents

Abstract

本发明公开一种基于不确定图的社会网络数据差分隐私保护方法，首先构建原始图及其原始图，并根据原始图构建带有权值的不确定图及其不确定图的邻接矩阵；接着根据不确定图构建满足差分隐私所需加入的噪声邻接矩阵；最后将不确定图的邻接矩阵和噪声邻接矩阵相加后，得到待发布图邻接矩阵，并将待发布图邻接矩阵转化成社会网络图发布。本发明在加入噪声时，既保证了符合差分隐私，同时又更多的保存了原始图的结构信息，使得发布的图不会添加过量的噪声，有利于数据分析者做更多的研究分析。

Description

基于不确定图的社会网络数据差分隐私保护方法

技术领域

本发明涉及网络数据安全技术领域，具体涉及一种基于不确定图的社会网络数据差分隐私保护方法。

背景技术

随着互联网的发展，越来越多的社会个体在社交网络上注册，大量的个人信息被收集、分析。这也吸引了很多数据研究人员的注意，通过对社会网络分析可以为数据挖掘与模式分析提供更丰富、准确的数据来源。但是发布社会网络数据将会导致用户的敏感信息泄露，为确保社会个体的隐私安全，在社会网络发布的过程中就需要进行隐私保护处理。

目前，针对社会网络发布的隐私保护成果，主要可以分为三类，一类是以K-匿名为代表的聚类技术，该类方法将网络中的节点(边)依据结构或距离等信息聚类形成至少包含K个节点(边)超级节点，由于隐匿了超级节点内部的子图内部结构，所以对数据带来了较大的损失。第二类是基于网络结构修改的方法，通过随机的添加和删除边使得发布图与原始网络在结构上存在差异，从而达到隐私保护的效果。随机化的方法虽然相对于聚类算法对图的结构信息损失小，可获得较高的数据效用性，但基于以上两种方法的隐私保护算法，对于攻击者的背景都有所要求，无法保证绝对安全的隐私信息安全。而在现实社会网络中，攻击者的背景知识往往与预先设定的不同，这就要求发布的数据集能够提供绝对的隐私信息安全且具有较高数据效用性的隐私保护方法。第三类是最为常用的差分隐私保护方法，该方法假设攻击者能够获取除目标记录外的所有其他记录信息，算法基于查询在查询，对查询结果添加一定量的噪声，使得攻击者无法得知目标记录信息，保护了个人隐私。差分隐私很好的解决了攻击者背景知识限制的问题。差分隐私以严密的数学证明为基础，对原始数据进行了严格的定义并且提供了量化评估方法。也正因此原有差分隐私算法对于社会网络这一图数据形式中节点(边)添加噪声时噪声量过大，这就需要改进原始的差分隐私算法。

发明内容

本发明所要解决的是现有社会网络中差分隐私保护方法会在添加噪声的过程中加入过大的问题，提供一种基于不确定图的社会网络数据差分隐私保护方法，其在加入噪声时，既保证了符合差分隐私，同时又更多的保存了原始图的结构信息，使得发布的图不会添加过量的噪声，有利于数据分析者做更多的研究分析。

为解决上述问题，本发明是通过以下技术方案实现的：

基于不确定图的社会网络数据差分隐私保护方法，其具体包括步骤如下：

步骤1、对给定的原始社会网络进行去标识处理，并对原始社会网络中的各个节点从1至N进行编号后，得到原始图；

步骤2、遍历原始图中各个节点，得到节点的度信息，并据此计算原始图中每条边的权值，以得到每条边带有权值的不确定图，并根据该不确定图构建1个N×N的不确定图邻接矩阵；

步骤3、在不确定图中找到权值之和最大的闭合三元组结构，并将该闭合三元组结构的权值之和作为敏感度S_f；

步骤4、根据给定的隐私预算参数ε和步骤3所得到的敏感度S_f，均匀而随机的抽样拉普拉斯分布，并将其随机添加到一个N×N矩阵的上三角位置和下三角位置，并由此构建出一个主对角线为零，上三角位置和下三角位置关于主对角线对称的噪声邻接矩阵；

步骤5、将步骤4所构建的噪声邻接矩阵和步骤2所构建的不确定图邻接矩阵相加后，得到待发布网络邻接矩阵；

步骤6、将待发布网络邻接矩阵转化为社会网络图后进行发布；

上述N为原始社会网络中节点的个数。

上述步骤2中，每条边的权值θM_i,j为：

θM_i,j＝d_id_j/2L

其中，i和j是一条边的2个节点，d_i是节点i的度，d_j是节点j的度，L是原始图的边数。

与现有技术相比，本发明具有如下特点：

1、以往的社会网络图结构中由于边的表达属于布尔关系，只能说明社会个体间是否存在关系，不存在个体间关系强弱的描述。在这种布尔变量上添加噪声会使得噪声不存在中间值，从而噪声添加量会过大，并且会严重破坏掉原有的结构关系。本发明在开始的时候将无权简单社会网络图转化为了不确定图的形式使得各个节点间的边可以在添加噪声时对边的结构得到很好的保存。

2、在选择邻居数据集的过程中，本发明以一个闭合三元组作为最小单元来计算数据敏感度，使得原网络中的聚集系数得到较好的保护。

3、由于以往对社会网络中加入差分隐私噪声时往往考虑通过生成图模型重新构建原图，因而该算法对图的结构性破坏较大，本发明只对边的权值做改变使得原图结构能够更多的保留。

附图说明

图1为基于不确定图的社会网络数据差分隐私保护方法的流程图。

图2为一种社会网络数据的原始图。

图3为一种社会网络数据的不确定图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实例，并参照附图，对本发明进一步详细说明。

一种基于不确定图的社会网络数据差分隐私保护方法，如图1所示，其具体包括步骤如下：

步骤1、构建原始图及其原始图的邻接矩阵。

对原始社会网络进行去标识处理，从节点v出发深度优先搜索遍历图，对节点从1至N进行编号，得到原始图，如图2所示。初始化构建一个N×N的邻接矩阵,矩阵中所有元素为零。对原始图进行遍历，每两个节点的边存在表示为1，边不存在表示为0，得到的原始图的邻接矩阵表示：

步骤2、构建不确定图及其不确定图的邻接矩阵。

遍历原始图中各个节点，得到节点的度信息，并据此计算原始图中每条边的权值，得到每条边带有不确定权值的不确定图，参见图3，并得到不确定图的邻接矩阵表示：

边的权值为原始图中任意两个节点度的乘积与原始图中边数两倍的商，即：

θM_i,j＝d_idj/2L

其中，i和j是一条边的2个节点，d_i是节点i的度，d_j是节点j的度，L是原始图的边数。

步骤3、计算为满足差分隐私所需加入的噪声邻接矩阵。

利用查询函数实现对图中所有节点以及节点间边权值的查询。查询函数的输入为由原始图计算得到的不确定图，输出为加噪后的不确定图，对于不确定图社会网络G_u存在它的邻居数据集G`_u，定义查询敏感度S_f。

邻居数据集的设定：|S(G_u)-S(G`<sub>u</sub>)|＝δ，其中|S(G<sub>u</sub>)-S(G`_u)|表示两个邻居数据集间在结构上相差的部分，定义δ是一个闭合三元组。

步骤3.1、根据不确定图G_u构建查询函数f；f(G_u)：G_u→E_G_u，其中，E_G_u是N×N的实数矩阵。实现将图中边的权值查询并且存储在邻接矩阵中。

步骤3.2、计算查询敏感度S_f、隐私预算参数ε：定义该方法中的邻居数据集为G`_u与原不确定图相差一个闭合三元组结构，依据隐私预算ε计算查询敏感度即：对原不确定图和其邻居数据集分别进行f查询，一范数的结果中的最大值为敏感度。

步骤3.3、构建N×N维的权值上三角噪声矩阵[Laplace(S_f/ε)]_N×N，均匀而随机的抽样拉普拉斯分布Laplace(S_f/ε)，随机添加到一个N×N的零矩阵中的上三角位置，并通过对称的方式添加该N×N的零矩阵中的下三角位置，由此得到一个主对角线为零，上三角位置和下三角位置关于主对角线对称的噪声邻接矩阵。

在本实施例中，不确定图中权值最大的一组闭合三元组是v1-v3-v4，所以敏感度S_f＝0.75+0.75+0.5＝2；由Laplace分布抽样得到噪声矩阵[Laplace(S_f/ε)]_4×4：

步骤4、构建发布网络G_p的邻接矩阵，E_G_p＝E_G_u+[Laplace(S_f/ε)]_N×N，最后发布数据时将邻接矩阵再转化成社会网络图。

在本实施例中，构建发布网络G_p的邻接矩阵，E_G_p＝E_G_u+[Laplace(S_f/ε)4×4。

本发明基于不确定图的社会网络数据差分隐私保护方法，首先构建原始图及其原始图，并根据原始图构建带有权值的不确定图及其不确定图的邻接矩阵；接着根据不确定图构建满足差分隐私所需加入的噪声邻接矩阵；最后将不确定图的邻接矩阵和噪声邻接矩阵相加后，得到待发布图邻接矩阵，并将待发布图邻接矩阵转化成社会网络图发布。本发明在加入噪声时，既保证了符合差分隐私，同时又更多的保存了原始图的结构信息，使得发布的图不会添加过量的噪声，有利于数据分析者做更多的研究分析。

需要说明的是，尽管以上本发明所述的实施例是说明性的，但这并非是对本发明的限制，因此本发明并不局限于上述具体实施方式中。在不脱离本发明原理的情况下，凡是本领域技术人员在本发明的启示下获得的其它实施方式，均视为在本发明的保护之内。

Claims (2)

1.基于不确定图的社会网络数据差分隐私保护方法，其特征是，包括步骤如下：

步骤1、对给定的原始社会网络进行去标识处理，并对原始社会网络中的各个节点从1至N进行编号后，得到原始图；

步骤2、遍历原始图中各个节点，得到节点的度信息，并据此计算原始图中每条边的权值，以得到每条边带有权值的不确定图，并根据该不确定图构建1个N×N的不确定图邻接矩阵；

步骤3、在不确定图中找到权值之和最大的闭合三元组结构，并将该闭合三元组结构的权值之和作为敏感度S_f；

步骤4、根据给定的隐私预算参数ε和步骤3所得到的敏感度S_f，均匀而随机的抽样拉普拉斯分布，并将其随机添加到一个N×N矩阵的上三角位置和下三角位置，并由此构建出一个主对角线为零，上三角位置和下三角位置关于主对角线对称的噪声邻接矩阵；

步骤5、将步骤4所构建的噪声邻接矩阵和步骤2所构建的不确定图邻接矩阵相加后，得到待发布网络邻接矩阵；

步骤6、将待发布网络邻接矩阵转化为社会网络图后进行发布；

上述N为原始社会网络中节点的个数。

2.根据权利要求1所述的基于不确定图的社会网络数据差分隐私保护方法，其特征在于：步骤2中，每条边的权值θM_i,j为：

θM_i,j＝d_id_j/2L

其中，i和j是一条边的2个节点，d_i是节点i的度，d_j是节点j的度，L是原始图的边数。