CN111159768B - 社交网络链接隐私保护效果的评价方法 - Google Patents

社交网络链接隐私保护效果的评价方法 Download PDF

Info

Publication number
CN111159768B
CN111159768B CN201911416033.3A CN201911416033A CN111159768B CN 111159768 B CN111159768 B CN 111159768B CN 201911416033 A CN201911416033 A CN 201911416033A CN 111159768 B CN111159768 B CN 111159768B
Authority
CN
China
Prior art keywords
node
similarity
privacy protection
connection
protection effect
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201911416033.3A
Other languages
English (en)
Other versions
CN111159768A (zh
Inventor
刘鹏
韩学波
李先贤
李思雨
黄丝曼
郭燕鸽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangxi Normal University
Original Assignee
Guangxi Normal University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangxi Normal University filed Critical Guangxi Normal University
Priority to CN201911416033.3A priority Critical patent/CN111159768B/zh
Publication of CN111159768A publication Critical patent/CN111159768A/zh
Application granted granted Critical
Publication of CN111159768B publication Critical patent/CN111159768B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
    • G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
    • G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking

Landscapes

  • Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Bioethics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Computer Security & Cryptography (AREA)
  • Computer Hardware Design (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开一种社交网络链接隐私保护效果的评价方法，首先对社交网络隐私保护发布图通过基于逻辑回归算法的链路预测计算所有未连接节点对的连接概率。将连接概率大于阈值的节点对对应的边形成预测链接；确定预测链接数量L和预测准确链接的数量Lr。用预测准确链接的数量Lr占所有预测链接数量L的比例作为预测精度，将预测精度作为评价链接隐私保护方法的实际保护效果的评价指标。预测精度越低，说明社交网络链接隐私保护效果越好，反之，社交网络链接隐私保护效果越差。

Description

社交网络链接隐私保护效果的评价方法
技术领域
本发明涉及社交网络隐私保护技术领域，具体涉及一种社交网络链接隐私保护效果的评价方法。
背景技术
社交网络在市场营销、心理学、流行病学和国土安全等应用领域具有重要意义。许多社交网络的应用，由于关系的敏感性，需要保护边的隐私。目前社交网络链接隐私的保护方法主要包括随机化和差分隐私方法。随机化方法数据发布者随机删除真实边，并在原始网络中插入假边，以保护敏感边不被识别。差分隐私方法使得攻击者难以确定某一条边是否存在于网络中，同时允许保留重要的网络结构信息，用于重要的数据分析任务。假设攻击者已经知道了保护链接隐私的发布图中目标节点的身份，但是不知道目标节点间是否存在敏感关系，如果攻击者能够从发布图的信息中推断出目标节点间敏感边的存在，就会造成目标节点的隐私泄露。所以数据发布者需要评价采用的链接隐私保护方法的实际保护效果，以便更好的保护敏感关系。
发明内容
本发明提供一种社交网络链接隐私保护效果的评价方法，其能够评价采用的链接隐私保护方法的实际保护效果，以便更好的保护敏感关系。
为解决上述问题，本发明是通过以下技术方案实现的：
一种社交网络链接隐私保护效果的评价方法，包括步骤如下：
步骤1：对于经过隐私保护所得到的社交网络发布图的每个节点k，将该节点k、节点k的直接邻居节点、节点k与其直接邻居节点之间的边形成局部网络Mk；
步骤2、针对每个局部网络Mk训练对应的逻辑回归模型，并利用训练好的逻辑回归模型LRk来预测这个局部网络Mk中未连接节点对的连接概率；即：对于每个局部网络Mk，分别执行以下步骤：
步骤2.1、计算局部网络Mk中每个节点对的共同邻居相似度
Figure GDA0003528856820000011
资源分配相似度
Figure GDA0003528856820000012
和优先连接相似度
Figure GDA0003528856820000013
步骤2.2、将局部网络Mk中所有节点对作为训练集，并利用所有节点对的共同邻居相似度
Figure GDA0003528856820000014
资源分配相似度
Figure GDA0003528856820000015
优先连接相似度
Figure GDA0003528856820000016
以及连接情况
Figure GDA0003528856820000017
去训练逻辑回归模型，从而得到训练好的逻辑回归模型LRk；其中节点vi和vj连接时，
Figure GDA0003528856820000018
节点vi和vj未连接时，
Figure GDA0003528856820000019
步骤2.3、将局部网络Mk中未连接节点对作为测试集，并将未连接节点的共同邻居相似度
Figure GDA0003528856820000021
资源分配相似度
Figure GDA0003528856820000022
和优先连接相似度
Figure GDA0003528856820000023
输入步骤2.2所训练好的逻辑回归模型LRk，得到未连接节点对的连接概率
Figure GDA0003528856820000024
步骤3、当同一未连接节点对存在于不同的局部网络时，通过比较该未连接节点对在不同局部网络中的连接概率，并选择其中最大的连接概率作为该未连接节点对最终的连接概率；
步骤4、将连接概率大于预设概率阈值的未连接节点对所对应的边作为预测链接，并统计预测链接的数量L；
步骤5、统计预测链接即未连接节点对的边出现在未经过隐私保护的社交网络原图的数量Lr；
步骤6、将准确预测链接的数量Lr与所有预测链接的数量L的比值作为隐私保护方法的实际保护效果的评价指标，即当该比值越大时，隐私保护方法的实际保护效果效果越差，反之，则隐私保护方法的实际保护效果的效果越好。
与现有技术相比，本发明针对社交网络的敏感关系的隐私保护方法，采用一种结合多个结构相似性度量的链路预测方法来预测社交网络隐私保护图，通过链路预测方法的预测精度评价链接隐私保护效果。
附图说明
图1为社交网络链接隐私保护效果评价方法的原理图。
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，对本发明进一步详细说明。
参见图1，一种社交网络链接隐私保护效果的评价方法，其具体包括步骤如下：
步骤1：对于经过隐私保护的社交网络发布图
Figure GDA0003528856820000025
的任意节点k，将节点k为中心，该节点k的直接邻居节点，节点k及直接邻居节点间的边形成局部网络Mk。其中k＝1,2,…,K，K为社交网络中节点的个数，即社交网络中每个节点都要形成局部网络。节点的直接邻居是指与节点直接相连的节点。
步骤2：针对每个局部网络Mk训练对应的逻辑回归模型，并利用训练好的逻辑回归模型LRk来预测这个局部网络Mk中未连接节点对的连接概率；即：对于每个局部网络Mk，分别执行以下步骤：
步骤2.1：采用3个相似性度量方法Fl分别计算局部网络Mk中每个节点对(vi,vj)的相似度
Figure GDA0003528856820000026
其中Fl表示第l个相似性度量方法，l＝1，2，3，4。
(1)F1表示共同邻居算法(CN)，
Figure GDA0003528856820000027
表示CN计算的节点对(vi,vj)的相似度，定义如下：
Figure GDA0003528856820000031
式中，Γ(vi)表示节点vi的邻居集，Γ(vj)表示节点vj的邻居集，Γ(vi)∩Γ(vj)表示节点vi和vj的共同邻居集，|Γ(vi)∩Γ(vj)|表示节点vi和vj的共同邻居的数量即度数。
(2)F2表示资源分配算法(RA)，
Figure GDA0003528856820000032
表示RA计算的节点对(vi，vj)的相似度，定义如下：
Figure GDA0003528856820000033
式中，z表示节点vi和vj的共同邻居集中的元素，Γ(z)表示节点vi和vj的共同邻居z的邻居集，
Figure GDA0003528856820000034
表示节点vi和vj的共同邻居z的度数的倒数，
Figure GDA0003528856820000035
表示所有节点vi和vj的共同邻居z的度数的倒数之和。
(3)F3表示优先连接算法(PA)，
Figure GDA0003528856820000036
表示PA计算的节点对(vi，vj)的相似度，定义如下：
Figure GDA0003528856820000037
式中，|Γ(vi)|表示节点vi的度数，|Γ(vj)|表示节点vj的度数，|Γ(vi)|·|Γ(vj)|表示节点vi和vj的度数的乘积。
步骤2.2：将局部网络Mk中所有节点对作为训练集，用步骤2.1计算出的训练集的节点对(vi，vj)的3个相似度
Figure GDA0003528856820000038
和对应的连接情况
Figure GDA0003528856820000039
其中连接情况
Figure GDA00035288568200000310
表示连接，
Figure GDA00035288568200000311
表示未连接，训练逻辑回归函数模型，从而确定逻辑回归函数模型的参数β0和βl，l＝1，2，3，进而得到局部网络Mk的逻辑回归模型。逻辑回归函数如下所示：
Figure GDA00035288568200000312
式中，β0和βl是逻辑回归函数的参数，其中βl为对应于相似性度量Fl计算出的相似度
Figure GDA00035288568200000313
的权重，表示相似性度量Fl的权重。
步骤2.3：将局部网络Mk中未连接节点对(即不相连的节点对)作为测试集，利用步骤2.2确定的逻辑回归函数模型和3种相似性度量方法预测局部网络Mk中的不相连的节点对(vi，vj)的连接概率
Figure GDA00035288568200000314
逻辑回归函数如下所示：
Figure GDA00035288568200000315
步骤3：由于同一不相连节点对(vi，vj)会出现在不同局部网络中，得到不同的连接概率，比较同一节点对在不同局部网络中的连接概率，较大者为最终连接概率
Figure GDA00035288568200000316
最终得到整个网络所有不相连节点对的连接概率。计算公式如下：
Figure GDA0003528856820000041
步骤4：将连接概率大于预设概率阈值(50％)的未连接节点对所对应的边作为预测链接，并统计预测链接的数量L；
步骤5：统计预测链接在未经过隐私保护的社交网络原图存在的数量Lr，即当预测链接存在于社交网络原图中时，Lr的计数加1，否则Lr的计数不变。
步骤6：用准确预测链接的数量Lr占所有预测链接数量L的比例
Figure GDA0003528856820000042
作为预测精度，将预测精度作为评价链接隐私保护方法的实际保护效果的评价指标。预测精度越低，说明社交网络链接隐私保护效果越好。预测精度越高，说明社交网络链接隐私保护效果越差。
本发明面向社交网络的敏感关系的隐私保护方法，提供了一种评价链接隐私保护方法的实际保护效果策略。首先对社交网络隐私保护发布图通过基于逻辑回归算法的链路预测计算所有未连接节点对的连接概率。将连接概率大于50％的节点对对应的边形成预测链接；确定预测链接数量L和预测准确链接的数量Lr。用预测准确链接的数量Lr占所有预测链接数量L的比例作为预测精度，将预测精度作为评价链接隐私保护方法的实际保护效果的评价指标。预测精度越低，说明社交网络链接隐私保护效果越好，反之，社交网络链接隐私保护效果越差。
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 (3)

1.社交网络链接隐私保护效果的评价方法，其特征是，包括步骤如下：
步骤1、对于经过隐私保护所得到的社交网络发布图的每个节点，将该节点、该节点的直接邻居节点、该节点与其直接邻居节点之间的边形成局部网络；
步骤2、针对每个局部网络训练对应的逻辑回归模型，并利用训练好的逻辑回归模型来预测局部网络中未连接节点对的连接概率；即：对于每个局部网络，分别执行以下步骤：
步骤2.1、计算局部网络中每个节点对的共同邻居相似度、资源分配相似度和优先连接相似度；
节点对(vi，vj)的共同邻居相似度
Figure FDA0003510690630000011
为：
Figure FDA0003510690630000012
节点对(vi，vj)的资源分配相似度
Figure FDA0003510690630000013
为：
Figure FDA0003510690630000014
节点对(vi，vj)的优先连接相似度为
Figure FDA0003510690630000015
为：
Figure FDA0003510690630000016
式中，Γ(vi)表示节点vi的邻居集，Γ(vj)表示节点vj的邻居集，Γ(z)表示节点vi和vj的共同邻居z的邻居集，||表示集合中元素的数量；
步骤2.2、将局部网络中所有节点对作为训练集，并利用所有节点对的共同邻居相似度、资源分配相似度、优先连接相似度、以及连接情况去训练逻辑回归模型，从而得到训练好的逻辑回归模型；
步骤2.3、将局部网络中未连接节点对作为测试集，并将未连接节点对的共同邻居相似度、资源分配相似度和优先连接相似度输入训练好的逻辑回归模型，得到未连接节点对的连接概率；
步骤3、当同一未连接节点对存在于不同的局部网络时，比较该未连接节点对在不同局部网络中的连接概率，并选择其中最大的连接概率作为该未连接节点对最终的连接概率；
步骤4、将连接概率大于预设概率阈值的未连接节点对所对应的边作为预测链接，并统计预测链接的数量L；
步骤5、统计预测链接出现在未经过隐私保护的社交网络原图的数量Lr；
步骤6、将步骤5所得的数量Lr与步骤4所得的数量L的比值
Figure FDA0003510690630000017
作为隐私保护方法的实际保护效果的评价指标，即：当比值
Figure FDA0003510690630000018
越大时，隐私保护方法的实际保护效果越差；反之，则隐私保护方法的实际保护效果越好。
2.根据权利要求1所述的社交网络链接隐私保护效果的评价方法，其特征是，步骤2.2中，当节点对的2个节点连接时，连接情况置为1；当节点对的2个节点未连接时，连接情况置为0。
3.根据权利要求1所述的社交网络链接隐私保护效果的评价方法，其特征是，步骤4中，预设概率阈值介于50％～70％之间。
CN201911416033.3A 2019-12-31 2019-12-31 社交网络链接隐私保护效果的评价方法 Active CN111159768B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911416033.3A CN111159768B (zh) 2019-12-31 2019-12-31 社交网络链接隐私保护效果的评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911416033.3A CN111159768B (zh) 2019-12-31 2019-12-31 社交网络链接隐私保护效果的评价方法

Publications (2)

Publication Number Publication Date
CN111159768A CN111159768A (zh) 2020-05-15
CN111159768B true CN111159768B (zh) 2022-04-08

Family

ID=70560180

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911416033.3A Active CN111159768B (zh) 2019-12-31 2019-12-31 社交网络链接隐私保护效果的评价方法

Country Status (1)

Country Link
CN (1) CN111159768B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112199728B (zh) * 2020-11-04 2022-07-19 同济大学 一种针对社交网络关系预测的隐私保护方法
CN113205427B (zh) * 2021-06-07 2022-09-16 广西师范大学 社交网络的下一个兴趣点的推荐方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103218397A (zh) * 2013-03-12 2013-07-24 浙江大学 一种基于无向图修改的社交网络隐私保护方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8744988B1 (en) * 2011-07-15 2014-06-03 Google Inc. Predicting user navigation events in an internet browser
CN106372743A (zh) * 2016-08-23 2017-02-01 浙江工业大学 一种基于二阶局部社团和共同邻居比例信息的预测网络未知连边的方法
CN106817251B (zh) * 2016-12-23 2020-05-19 烟台中科网络技术研究所 一种基于节点相似度的链路预测方法及装置
CN110781514A (zh) * 2017-02-28 2020-02-11 覃嘉雯 一种数据隐私保护方法
CN108428006A (zh) * 2017-10-25 2018-08-21 同济大学 一种基于共同邻居节点和社团结构的互联网链路预测方法
CN108449209A (zh) * 2018-03-17 2018-08-24 北京工业大学 基于路径信息和节点信息融合的社交网络好友推荐方法
CN108900409B (zh) * 2018-06-22 2021-01-22 郑州大学 基于传播路径隐私泄露风险的社交网络信任度计算方法
CN109063836A (zh) * 2018-06-28 2018-12-21 浙江工业大学 一种基于进化扰动的隐私链路保护方法
CN109962813B (zh) * 2019-03-22 2021-05-18 西安电子科技大学 一种用于网络结构隐私保护的网络结构生成方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103218397A (zh) * 2013-03-12 2013-07-24 浙江大学 一种基于无向图修改的社交网络隐私保护方法

Also Published As

Publication number Publication date
CN111159768A (zh) 2020-05-15

Similar Documents

Publication Publication Date Title
US9959365B2 (en) Method and apparatus to identify the source of information or misinformation in large-scale social media networks
Wang et al. On credibility estimation tradeoffs in assured social sensing
TWI724896B (zh) 基於隱私保護的關係網路構建方法及裝置
Hoffman et al. A note on using the adjusted Rand index for link prediction in networks
Taha et al. SIIMCO: A forensic investigation tool for identifying the influential members of a criminal organization
CN111159768B (zh) 社交网络链接隐私保护效果的评价方法
CN111428323A (zh) 复杂网络中利用广义折扣度与k-shell识别一组关键节点的方法
Ma et al. Decomposition-based multiobjective evolutionary algorithm for community detection in dynamic social networks
CN108449311B (zh) 一种基于攻击节点相似性的社交关系隐匿方法
CN107623924A (zh) 一种验证影响关键质量指标kqi相关的关键性能指标kpi的方法和装置
Gao et al. CNL: collective network linkage across heterogeneous social platforms
Khlobystova et al. Soft estimates for social engineering attack propagation probabilities depending on interaction rates among instagram users
Qi et al. Topological and spectral properties of small-world hierarchical graphs
Kang et al. DTD: An intelligent data and bid dual truth discovery scheme for MCS in IIoT
Ibraheem et al. Neural network based partial tomography for in-vehicle network monitoring
Datta et al. Some convergence-based M-ary cardinal metrics for comparing performances of multi-objective optimizers
Tang et al. Learning hypergraphs from signals with dual smoothness prior
Li et al. Dynamic trustworthiness overlapping community discovery in mobile internet of things
CN113162793A (zh) 一种环境感知的用于网络测量的节点重要性度量方法
Wang et al. Overlapping community detection based on node importance and adjacency information
Cai et al. An efficient trust inference algorithm with local weighted centrality for social recommendation
CN111859164A (zh) 基于局部结构的微博网络重要节点发现方法、装置及介质
CN112070315A (zh) 一种基于中心性测量的恐怖袭击网络分析与事件预测方法
CN112612968A (zh) 一种基于长期收益的动态社交网络中的链接推荐方法
Jia et al. Effect of weak ties on degree and H-index in link prediction of complex network

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant