CN109918947A - 一种基于社交网络组合度-邻域标签匹配攻击的敏感标签保护方法 - Google Patents

Abstract

本发明属于社交网络信息发布的安全领域，具体涉及一种基于社交网络组合度‑邻域标签匹配攻击的敏感标签保护方法。包括输入图G_(A,B)＝(G_A,G_B,Γ)；广度优先遍历构建组图标签泛化树，生成携带二级敏感泛化标签的中间量；求取相似性对所有顶点进行聚类；将顶点v₁,...,v_l的标签邻域同化，主要同化步骤有边连接、标签合并、添加噪声点；根据组图标签匹配结果对敏感标签进行高级别泛化；返回匿名组图本发明使在单社交网络数据中针对组合度‑邻域标签产生的敏感标签具有L多样性的组图中，避免了通过组图候选结果集合再匹配对目标顶点敏感标签进行唯一性识别，使得根据任意组合度‑邻域标签匹配获得的顶点所携带的敏感标签的多样性不小于L，应用前景广泛。

Description

一种基于社交网络组合度-邻域标签匹配攻击的敏感标签保 护方法

技术领域

本发明属于社交网络信息发布的安全领域，具体涉及一种基于社交网络组合度-邻域标签匹配攻击的敏感标签保护方法。

背景技术

在计算机网络飞速发展的今天，社交网站之于人们日常工作、娱乐不可或缺。Facebook、Twitter、微博等社交网站被广泛使用，其与日俱增的用户数量和访问量使得社交网络数据愈发庞杂，数据发布的隐私保护问题愈发重要。将社交网络数据以个体为顶点、朋友关系为边建模为图结构，图数据在发布后存在被携带有不同背景知识的恶意对手所攻击产生的隐私泄露问题，被泄露的隐私包括被攻击目标的所在顶点或边、顶点的敏感属性或边的权重信息等。如何建立隐私攻击模型并设计有针对性的方案解决可能存在的隐私泄露问题、保护数据发布中的隐私信息是现今社交网络数据发布隐私保护领域致力研究的重点。

Tai C H.等人针对以具有朋友关系的两个个体的顶点度值组成的度对为背景知识进行顶点再识别的攻击方式，提出了针对朋友关系进行攻击的k²-度匿名算法。Chongjing Sun提出了添边、减边的方法，完成了针对共同朋友攻击的隐私保护方法。BinZhou通过对节点的直接邻居结构及标签进行修改来达到匿名真实用户的效果。但针对多社交网络中基于组合度-邻域标签匹配攻击的敏感标签隐私保护，目前还没有有效的匿名方法。在社交网络组图中，攻击者通过被攻击目标的组合度和顶点的邻域标签信息，识别得到的顶点具有匹配单一性的敏感标签，使得被攻击目标的敏感标签暴露。匹配单一性即在获得每个图中的目标候选点集合后，满足条件的敏感标签集合间仅有一组相同。

发明内容

本发明的目的在于提供一种基于社交网络组合度-邻域标签匹配攻击的敏感标签保护方法。

一种基于社交网络组合度-邻域标签匹配攻击的敏感标签保护方法，包括以下步骤：

步骤1、输入图G_(A,B)＝(G_A,G_B,Γ)；

步骤2、广度优先遍历构建组图标签泛化树，生成携带二级敏感泛化标签的中间量；

步骤3、求取相似性对所有顶点进行聚类；

步骤4、将顶点v₁,...,v_l的标签邻域同化，主要同化步骤有边连接、标签合并、添加噪声点；

步骤5、根据组图标签匹配结果对敏感标签进行高级别泛化；

步骤6、返回匿名组图

所述一种基于社交网络组合度-邻域标签匹配攻击的敏感标签保护方法，步骤1中G_(A,B)＝(G_A,G_B,Γ)，其中图G_A表示为图G_B表示其中V_A、V_B分别表示来自图G_A、G_B的顶点集合，是表示来自图G_A、G_B的所有连接顶点的边集合，Γ表示映射关系，L_A和L_B表示各自顶点携带的标签集合，和是顶点携带的敏感标签集合，Γ_A和Γ_B表示为顶点分配标签， 匿名组图为具有隐私保护作用的匿名图。

所述一种基于社交网络组合度-邻域标签匹配攻击的敏感标签保护方法，步骤2具体包括广度优先遍历组图中的每个顶点，得到组图中的标签集合L_A、L_B，并求出交集L＝L_A∩L_B，利用下式求解编号间距离Δs，编号间距离用来将L中的敏感标签均匀的分布在组图泛化树的不同子树中，

其中，|L_A+L_B-2L|为出现的所有不同标签的个数，|L|为交集中的元素个数。

所述一种基于社交网络组合度-邻域标签匹配攻击的敏感标签保护方法，步骤3具体包括根据顶点间的相似性将各图中顶点进行分组，所有尚未存在于任何分组中的顶点都需要被考虑到，在算法实现过程中，将具有邻域标签最大相似性的两个顶点组合在一起，并将二者的邻域标签修改为相同的，使得每组中的顶点始终具有相同的邻域标签，对于求解两个顶点的相似性，可根据下式计算：

其中，表示顶点v₁的邻域标签集合，表示顶点v₂的邻域标签集合，表示顶点v₁和v₂的邻域标签相似性，NL^s值越大，表示两个顶点之间的相似度越大。

所述一种基于社交网络组合度-邻域标签匹配攻击的敏感标签保护方法，步骤4中标签合并和边添加操作的优先级高于噪声顶点添加，边添加用来补充缺失的标签和度值，具体是将顶点连接到带有目标标签的临近顶点上，标签合并通过创建顶点标签之间共享的超级标签来添加缺少的标签值，超级标签即两个或多个顶点的标签所构成的并集。

所述一种基于社交网络组合度-邻域标签匹配攻击的敏感标签保护方法，步骤5具体包括检查所有超级标签，若满足：超级标签中含有第i级泛化标签为根的子树中的所有叶子结点，则用i级标签替换叶子结点标签，生成具有泛化敏感标签L多样性的两个社交网络图和后，需继续使得针对顶点度-邻域标签匹配得到顶点集交集中的敏感标签种类具有多样性，此时，将组合度-邻域标签识别出的每组顶点分别记为集合A和集合B，求解当前两集合交集大小ix＝|A∩B|，i的初始值为2：

若x＝0或ix＝min{|A|,|B|}，直接输出满足条件组和敏感标签泛化L多样性的匿名组图

若0＜ix＜min{|A|,|B|}，则执行以下步骤，直到x满足x＝0或ix＝min{|A|,|B|}：令集合C＝(A∪B)-(A∩B)，将集合C中的敏感标签的i级标签泛化为高一级的i+1级标签，更新集合A、集合B中敏感标签对应的泛化标签值和x值、i值，执行过程中若当前集合C中的顶点敏感标签的泛化级别的编号区间差值大于L值，可直接结束程序，输出匿名组图，到此即生成了满足组图敏感标签泛化L多样性的匿名组图

本发明的有益效果在于：

本文针对社交网络中基于组合度-邻域标签匹配攻击的场景，提出了组图敏感标签泛化L多样性算法，该算法使得在单社交网络数据中针对组合度-邻域标签产生的敏感标签具有L多样性的组图中，同时避免通过组图候选结果集合再匹配对目标顶点敏感标签进行唯一性识别，使得根据任意组合度-邻域标签匹配获得的顶点所携带的敏感标签的多样性不小于L。

附图说明

图1为一组简单的社交网络的示意图；

图2为一组简单的社交网络的示意图；

图3为一组原始匿名化的社交网络示意图；

图4为一组原始匿名化的社交网络示意图；

图5为一个生成组图标签泛化树的示意图；

图6为一个组图敏感标签二级泛化结果示意图；

图7为一个标签合并示意图；

图8为一个添加噪声点示意图。

具体实施方式

下面结合附图对本发明做进一步描述：

如附图1所示，为一组简单的社交网络的示意图；如附图1所示，为一组简单的社交网络的示意图；如附图1所示，为一组原始匿名化的社交网络示意图；如附图1所示，为一组原始匿名化的社交网络示意图；如附图1所示，为一个生成组图标签泛化树的示意图；如附图1所示，为一个组图敏感标签二级泛化结果示意图；如附图1所示，为一个标签合并示意图；如附图1所示，为一个添加噪声点示意图。

1、在本方案中涉及到一组带标签的无向组图G_(A,B)＝(G_A,G_B,Γ)，其中图G_A表示为图其中V_A、V_B分别表示来自图G_A、G_B的顶点集合，是表示来自图G_A、G_B的所有连接顶点的边集合，Γ表示映射关系，L_A和L_B表示各自顶点携带的标签集合，和是顶点携带的敏感标签集合，Γ_A和Γ_B表示为顶点分配标签，匿名组图为具有隐私保护作用的匿名图。

2、广度优先遍历组图中的每个顶点，得到组图中的标签集合L_A、L_B，并求出交集L＝L_A∩L_B。利用公式(1)求解编号间距离Δs，编号间距离用来将L中的敏感标签均匀的分布在组图泛化树的不同子树中。

其中，|L_A+L_B-2L|为出现的所有不同标签的个数，|L|为交集中的元素个数。

3、令表示只属于单图的标签。由L和构造组图泛化树：依次取集合L和集合中的元素进行编号，保持每取Δs个集合中的元素编号后取一个L中的元素进行编号，编号从1开始，以编号-敏感标签的形式存储。当集合L和集合中的元素为空时，所有标签均有属于自己的整数编号，最大的编号即为所有标签种类数。

4、循环执行以下步骤：按编号由小到大的顺序生成组图泛化树的叶子结点；从左向右两两结合叶子结点生成子树，子树根结点取叶子结点的标号范围，如：叶子结点1和叶子结点2构成的子树的根结点为1-2。循环过程中，最后只剩一个叶子结点时，在构造最后一棵子树时使根结点有三个孩子。按此方法逐层向上构造，直到所有顶点形成一棵以*为根结点的组图泛化树。

5、将组图泛化树的叶子结点定义为第一级标签，依次往上为第二级、第三级…，根结点为最高级标签。生成组图敏感标签泛化树后，将图中所有带敏感标签的顶点替换为其所属的二级标签。使得敏感信息匹配得到的标签至少具有2多样性。到此即完成了第一步准备工作，以下为图5(a)和图5(b)生成图5(c)中组图敏感标签泛化树过程。图6为敏感标签二级泛化后的组图结构。

6、根据顶点间的相似性将各图中顶点进行分组，所有尚未存在于任何分组中的顶点都需要被考虑到。在算法实现过程中，将具有邻域标签最大相似性的两个顶点组合在一起，并将二者的邻域标签修改为相同的，使得每组中的顶点始终具有相同的邻域标签。对于求解两个顶点的相似性，可根据公式(2)计算：

其中，表示顶点v₁的邻域标签集合，表示顶点v₂的邻域标签集合，表示顶点v₁和v₂的邻域标签相似性。NL^s值越大，表示两个顶点之间的相似度越大。

7、将与当前组中任意顶点具有最大相似性的未分组顶点聚类到该分组中，直到该组中具有L个不同泛化敏感标签的顶点时完成对当前分组顶点聚类，继续创建下一个组。若在最后一个组形成之后剩余顶点少于L个，则根据顶点和已生成组中成员顶点之间的相似性将这些剩余顶点聚类到现有组中。创建完分组后，下一步需要保证小组内成员的邻域信息难以区分，所以在每次聚类分组操作之后立即同化组内顶点的邻域标签，并在修改完成之后相应地更新被修改邻域标签的顶点的邻域信息用于下一次顶点聚类分组操作，确保分组中的所有顶点均有一致的邻域信息。

为了在修改信息时尽可能少的修改原社交网络数据图，最大化保证数据的有效性，本算法设计三种修改操作：标签合并、边添加和噪声顶点添加。将两跳距离之内能达到的顶点称为临近顶点，因临近顶点之间的标签合并和边添加操作对图的结构改变较少，故使标签合并和边添加操作的优先级高于噪声顶点添加。边添加用来补充缺失的标签和度值，具体是将顶点连接到带有目标标签的临近顶点上。标签合并通过创建顶点标签之间共享的超级标签来添加缺少的标签值。超级标签即两个或多个顶点的标签所构成的并集。如图7所示，图中顶点2和4在同一组，为了使其具有相同的邻域信息，将顶点3和顶点7的标签合并生成超级标签{C,D}。这种操作使得顶点的真实标签包含在其超级标签中，有效的保护数据的完整性。

8、在边添加和标签合并操作之后，若组中仍有与其他组内成员有不同邻域信息的顶点，则添加携带有所需非敏感标签的噪声顶点连接到邻域信息不相同的顶点上，使组内的顶点邻域标签无法区分。组内同化操作时，只预期某个组内需要添加的携带某些非敏感标签的噪声点，并不立刻添加，在完成所有分组后合并具有相同非敏感标签的噪声点，再在图中添加预期的噪声顶点。如图8所示，如果顶点0、2、3形成一个组，因为顶点3具有带标签E的邻居，则顶点0和2都需要具有标签E的邻居。由于顶点0和2在临近顶点内，且有带标签D的公共邻居顶点，故添加具有标签E顶点10。

9、当所有操作完成后，检查所有超级标签，若满足：超级标签中含有第i级泛化标签为根的子树中的所有叶子结点，则用i级标签替换叶子结点标签。生成具有泛化敏感标签L多样性的两个社交网络图和后，需继续使得针对顶点度-邻域标签匹配得到顶点集交集中的敏感标签种类具有多样性。此时，将组合度-邻域标签识别出的每组顶点分别记为集合A和集合B，求解当前两集合交集大小ix＝|A∩B|，i的初始值为2：

若x＝0或ix＝min{|A|,|B|}，直接输出满足条件组和敏感标签泛化L多样性的匿名组图

若0＜ix＜min{|A|,|B|}，则执行以下步骤，直到x满足x＝0或ix＝min{|A|,|B|}：令集合C＝(A∪B)-(A∩B)，将集合C中的敏感标签的i级标签泛化为高一级的i+1级标签，更新集合A、集合B中敏感标签对应的泛化标签值和x值、i值，执行过程中若当前集合C中的顶点敏感标签的泛化级别的编号区间差值大于L值，可直接结束程序，输出匿名组图。到此即生成了满足组图敏感标签泛化L多样性的匿名组图

Claims (6)

1.一种基于社交网络组合度-邻域标签匹配攻击的敏感标签保护方法，其特征在于，具体包括以下步骤：

步骤1、输入图G_(A,B)＝(G_A,G_B,Γ)；

步骤2、广度优先遍历构建组图标签泛化树，生成携带二级敏感泛化标签的中间量；

步骤3、求取相似性对所有顶点进行聚类；

步骤4、将顶点v₁,...,v_l的标签邻域同化，主要同化步骤有边连接、标签合并、添加噪声点；

步骤5、根据组图标签匹配结果对敏感标签进行高级别泛化；

步骤6、返回匿名组图

2.根据权利要求1所述一种基于社交网络组合度-邻域标签匹配攻击的敏感标签保护方法，其特征在于：所述步骤1中G_(A,B)＝(G_A,G_B,Γ)，图G_A表示为图G_B表示其中V_A、V_B分别表示来自图G_A、G_B的顶点集合， 是表示来自图G_A、G_B的所有连接顶点的边集合，Γ表示映射关系，L_A和L_B表示各自顶点携带的标签集合，和是顶点携带的敏感标签集合，Γ_A和Γ_B表示为顶点分配标签，匿名组图为具有隐私保护作用的匿名图。

3.根据权利要求1所述一种基于社交网络组合度-邻域标签匹配攻击的敏感标签保护方法，其特征在于：所述步骤2具体包括广度优先遍历组图中的每个顶点，得到组图中的标签集合L_A、L_B，并求出交集L＝L_A∩L_B，利用下式求解编号间距离Δs，编号间距离用来将L中的敏感标签均匀的分布在组图泛化树的不同子树中，

其中，|L_A+L_B-2L|为出现的所有不同标签的个数，|L|为交集中的元素个数。

4.根据权利要求1所述一种基于社交网络组合度-邻域标签匹配攻击的敏感标签保护方法，其特征在于：所述步骤3具体包括根据顶点间的相似性将各图中顶点进行分组，所有尚未存在于任何分组中的顶点都需要被考虑到，在算法实现过程中，将具有邻域标签最大相似性的两个顶点组合在一起，并将二者的邻域标签修改为相同的，使得每组中的顶点始终具有相同的邻域标签，对于求解两个顶点的相似性，可根据下式计算：

其中，表示顶点v1的邻域标签集合，表示顶点v2的邻域标签集合，表示顶点v1和v₂的邻域标签相似性，NL^s值越大，表示两个顶点之间的相似度越大。

5.根据权利要求1所述一种基于社交网络组合度-邻域标签匹配攻击的敏感标签保护方法，其特征在于：所述步骤4中标签合并和边添加操作的优先级高于噪声顶点添加，边添加用来补充缺失的标签和度值，具体是将顶点连接到带有目标标签的顶点上，标签合并通过创建顶点标签之间共享的超级标签来添加缺少的标签值，超级标签即两个或多个顶点的标签所构成的并集。

6.根据权利要求1所述一种基于社交网络组合度-邻域标签匹配攻击的敏感标签保护方法，其特征在于：所述步骤5具体包括检查所有超级标签，若满足：超级标签中含有第i级泛化标签为根的子树中的所有叶子结点，则用i级标签替换叶子结点标签，生成具有泛化敏感标签L多样性的两个社交网络图和后，需继续使得针对顶点度-邻域标签匹配得到顶点集交集中的敏感标签种类具有多样性，此时，将组合度-邻域标签识别出的每组顶点分别记为集合A和集合B，求解当前两集合交集大小ix＝|A∩B|，i的初始值为2：若x＝0或ix＝min{|A|,|B|}，直接输出满足条件组和敏感标签泛化L多样性的匿名组图若0＜ix＜min{|A|,|B|}，则执行以下步骤，直到x满足x＝0或ix＝min{|A|,|B|}：令集合C＝(A∪B)-(A∩B)，将集合C中的敏感标签的i级标签泛化为高一级的i+1级标签，更新集合A、集合B中敏感标签对应的泛化标签值和x值、i值，执行过程中若当前集合C中的顶点敏感标签的泛化级别的编号区间差值大于L值，直接结束程序，输出匿名组图，到此即生成了满足组图敏感标签泛化L多样性的匿名组图