CN112199728B - 一种针对社交网络关系预测的隐私保护方法 - Google Patents

Abstract

本发明涉及一种针对社交网络关系预测的隐私保护方法，包括以下步骤：1)获取原始社交网络G中存在的关系集合E、尚不存在的社交关系集合N以及确定要保护的敏感关系集合E^P；2)删除要保护的敏感关系集合E^P，得到隐藏敏感关系后的关系集合E^T；3)计算每对敏感关系的相似性分数S_a,b；4)给定删除旧关系的数量m和增加新关系的数量n；5)构造子网络G_sub；6)对子网络G_sub进行删增改动，使得在修改后的网络中敏感关系(x,y)的相似性分数下降最大；7)更新网络结构，对于要保护的敏感关系集合E^P中剩余要保护的敏感关系，重复步骤5)和6)，与现有技术相比，该方法具有更好的隐私关系保护效果、网络可用性高、实用性强、操作成本低等优点。

Description

一种针对社交网络关系预测的隐私保护方法

技术领域

本发明涉及社交网络隐私保护技术领域，尤其是涉及一种针对社交网络关系预测的隐私保护方法。

背景技术

在社交网络中，人与人之间经常有一些敏感关系不愿被其他人知晓，例如资金交易关系，情侣恋爱关系或明星之间的私人关系，然而，仅仅是不公开自己的私人社交关系无法有效保护个人隐私，这些隐藏的关系可以通过社交互动行为被网络关系预测方法重新挖掘出来，这说明社交网络关系预测方法在带来巨大经济价值的同时，也存在以下风险：

(1)私人关系暴露给当事人带来不必要的经济纠纷和道德绑架；

(2)关系预测算法可能得出错误的结论，误认为当事人与他们不认识的危险人物存在联系，损害当事人的声誉。

因此，保护人际之间的隐私关系，使其不被网络关系预测方法发掘出来，是社交网络安全中亟需解决的棘手问题。

当前，针对社交网络关系预测的隐私保护方法主要有K-匿名方法和随机扰动法，然而，这两种方法都仅从网络整体考虑，没有针对社交网络中特定隐私关系进行保护，很难兼顾保护效果与网络可用性(更改导致网络结构差异过大)，因此有必要针对具体的保护目标，提出一种可以对抗社会网络关系预测，且对原网络改动较少的隐私保护方法。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种针对社交网络关系预测的隐私保护方法。

本发明的目的可以通过以下技术方案来实现：

一种针对社交网络关系预测的隐私保护方法，包括以下步骤：

1)在原始社交网络G中，获取其存在的关系集合E、尚不存在的社交关系集合N以及确定要保护的敏感关系集合E^P；

2)从原始社交网络G中删除要保护的敏感关系集合E^P，得到隐藏敏感关系后的关系集合E^T，则有E^T＝E-E^P；

3)采用关系预测算法，在由E^T构成的网络中对敏感关系E^P进行预测，计算每对敏感关系(a,b)中两个节点a和b之间的相似性分数S_a,b；

4)给定改动次数，包括删除旧关系的数量m和增加新关系的数量n；

5)对于敏感关系集合E^P中一对要保护的敏感关系(x,y)，提取其1至k阶邻居集合

根据

构造子网络G_sub；

6)对敏感关系集合E^P中每对要保护的敏感关系(x,y)，从子网络G_sub中选出m条要删除的旧关系集合E_del和n条要增加的新关系集合E_add，对子网络G_sub进行删增改动，使得在修改后的网络中敏感关系(x,y)的相似性分数下降最大；

7)更新网络结构，得到修改后的网络

以及尚不存在的社交关系集合

对于要保护的敏感关系集合E^P中剩余要保护的敏感关系，重复步骤5)和6)。

所述的步骤3)中，关系预测算法为链路预测方法，包括局部相似性方法、基于随机游走的相似性方法和基于深度学习的相似性方法。

所述的步骤3)中，每对敏感关系(a,b)中两个节点a和b之间的相似性分数S_a,b根据共同邻居指标、资源分配指标或偏好链接指标计算，其中对于资源分配指标的计算式为：

其中，节点a和b的共同邻居节点的集合，d(z)为节点z的度数。

所述的步骤4)中，参数m和n取值范围在保证网络可用性前提下，根据实际可操作的情况给定，具体为不超过关系集合E^T中总关系数量的10％。

所述的步骤5)中，k阶邻居表示敏感关系(x,y)的一对节点在k步内能够到达的所有节点的集合。

所述的步骤5)中，构造子网络G_sub具体包括以下步骤：

51)确定子网络节点为不含重复节点的集合

52)确定子网络边集，从第一个子网络节点开始，依次在原网络中取出以此节点为一端的所有关系，并判断此关系的另一个节点是否也属于子网络的节点集，若是，则在子网络中添加这条边，若否，则直接遍历下一条边。

所述的步骤6)中，采用枚举法、启发式方法、最优化或图神经网络的方法获取使得在修改后的网络中敏感关系(x,y)的相似性分数下降最大的方案。

该方法还包括以下步骤：

8)网络结构的改动结束，得到最终的社交网络关系集合

在由

构成的网络中利用关系预测算法对敏感关系集合E^P重新预测，得到每对敏感关系(x,y)中两个节点x和y之间的修正的相似性分数

最后评估隐私保护效果和网络可用性。

所述的步骤8)中，以关系预测算法的预测效果下降的百分比评估隐私保护效果，具体包括在修正网络中的相似性得分、AUC指标得分和/或Precision指标得分相对于其在原始网络中得分下降的百分比。

所述的步骤8)中，网络可用性为网络拓扑结构属性，包括平均节点度、聚类系数、平均度中心性、平均接近中心性、平均介数中心性、平均距离和邻接矩阵的最大频谱。

与现有技术相比，本发明具有以下优点：

一、本发明针对社交网络中特定的目标，可较好抵御社交网络关系预测攻击，具有较强的隐私关系保护效果，特别的，利用贪心思想，每次选择局部最优解逼近全局最优解，调高了隐私保护实施效率。

二、本发明同时引入增加新关系操作与删除旧关系操作,可以根据实际可操性给定两种操作具体的数量，具有通用性，同时，确保网络改动较少，尽可能确保网络的可用性。

三、本发明只修改敏感关系节点对及其1至k阶邻居节点构成的子网络，比在整个网络结构内做调整所需成本更低，更容易被用户使用。

附图说明

图1为本发明提出的针对社交网络关系预测的隐私保护方法流程图。

图2为具体实施例中的社交网络关系图，其中，图(2a)为原始社交网络关系图，图(2b)为隐藏敏感关系后的社交网络关系图，图(2c)为实施保护方法后的社交网络关系图。

具体实施方式

下面结合附图和具体实施例给出本发明的一个或者多个实施例，以详细说明本发明的技术实施方案。应该指出，所描述的实施例仅是为了说明的目的，而不是对本发明范围的限制。

实施例

一、如图1所示，本发明提供一种针对社交网络关系预测的隐私保护方法，包括以下步骤：

(1)如图(2a)所示，输入原始社交网络G(V,E)，已知的社交关系集合E为{(0,1),(0,4),(1,2),(1,5),(1,6),(1,7),(2,3),(2,7),(3,4),(3,8),(3,9),(5,6),(5,7),(5,8),(5,9),(6,8),(7,9)}，尚不存在的社交关系集合N为{(0,2),(0,3),(0,5),(0,6),(0,7),(0,8),(0,9),(1,8),(1,9),(1,3),(1,4),(2,4),(2,5),(2,6),(2,8),(2,9),(3,5),(3,6),(3,7),(4,5),(4,6),(4,7),(4,8),(4,9),(6,9),(6,7),(7,8),(8,9)}，确定要保护的敏感关系集合E^P为P(5,7)}；

(2)从原始网络中删去要保护的敏感关系集合{(5,7)}，如图(2b)中虚线表示的关系，得到隐藏敏感关系后的关系集合E^T，如图(2b)中实线表示的关系；

(3)选取一种关系预测算法，一般为链路预测方法，包括但不仅限于局部相似性方法、基于随机游走的相似性方法和基于深度学习的相似性方法，在由E^T构成的网络中利用关系预测算法，计算每对敏感关系(x,y)中两个节点x和y之间的相似性分数S_x,y，具体步骤为：

31)利用链路预测局部指标中的资源分配指标(Resource Allocation index)，从E^P中的第一对节点(x,y)，即(5,7)开始，依次计算每对节点的相似度S_x,y；

32)判断x和y是否拥有共同邻居节点，若否，则其相似度S_x,y＝0，回到31)步，计算下一对节点的相似度，若是，则继续；

33)找到x和y的共同邻居节点的集合∧_x,y，计算每一个共同邻居节点的度数d(z),z∈∧_x,y，如∧_x,y＝{1,9},d(1)＝3,d(9)＝5；

34)则x和y两节点的相似度为

如

回到31)步接着遍历其余节点对，直至所有节点对计算完毕。

(4)给定改动次数，确定删除旧关系的数量m＝1，增加新关系的数量n＝1。

(5)针对一对要保护的敏感关系(x,y)，取出其1至k阶邻居集合，如k＝2，利用此1至k阶邻居集合和目标节点对本身构造子网络G_sub，具体步骤为：

51)确定子网络的节点，为一对要保护的敏感关系节点对的1至2阶邻居节点和节点对本身构成的集合，如对敏感关系(5,7)，取出它的两个节点5和7的一阶邻居

和二阶邻居

得到构成子网络的节点

52)从子网络第一个节点开始，依次在原网络中取出以此节点为一端的所有关系，即它和它的邻居节点构成的关系，得到原网络中子网络节点所有的关系列表L，按照节点编号大小从小到大排列，即L＝{(0,1),(0,4),(1,2),(1,5),(1,6),(1,7),(2,3),(2,7),(3,4),(3,8),(3,9),(5,7),(5,6),(5,8),(5,9),(6,8),(7,9)}；

53)从L中的第一对节点(x⁰,y⁰)，即(0,1)开始，依次判断xⁱ和yⁱ是否都属于子网络节点，若是，则在子网络中添加这条边，并接着遍历下一条边，如(0,1)；若否，则它不是子网络的边，如(0,4)，直接遍历下一条边，当所有节点对遍历完毕，则子网络的关系集合构建完毕；

(6)针对一对要保护的敏感关系(x,y)，根据启发式方法，从(5)中得到的子网络G_sub的可观测部分

中选出1条要删除的旧关系的集合E_del，从子网络G_sub的不可观测部分

中选出1条要增加的新关系E_add，确定最合适的增删集合，使得在修改后的网络中敏感关系(5,7)的相似性分数下降最大，具体包括以下步骤：

61)找出每对敏感关系两个节点x和y的共同邻居集合∧_x,y，如∧_5,7＝{1,9}；

62)若增加的新关系数量小于n，则选取任一个共同邻居集合∧_x,y中的节点z，增加此节点的度数d(z)，如选择共同邻居集合∧_5,7中的节点1，增加关系(1,8)，使得共同邻居的度数d(1)从5增加至6；

63)若删除的旧关系数量小于m，判断共同邻居集合∧_x,y是否为空，若否，则选取共同邻居集合∧_x,y中任一个节点z，删除节点z与敏感关系的两个节点其中之一的关系，即删除关系(x,z)或(y,z)，如删除关系(5,9)，使∧_5,7从{1,9}变化至{1}，若否，则删除关系已经不能再增强保护效果，对此敏感关系不做删除的旧关系操作；

(7)更新网络结构，修改后的网络为

如图(2c)中表示的关系，E_add为双直线，E_del为点状线，对E^P中剩余需要保护的敏感关系，重复步骤5至6；

(8)对网络结构的改动结束，得到最终的社交网络关系集合

在由

构成的网络中利用关系预测算法对敏感关系集合E^P重新预测，得到每对敏感关系(x,y)中两个节点x和y之间的修正的相似性分数

如

二、采用本发明方法的隐私保护效果评估

为验证本发明的隐私保护有效性，采用传统的结构扰动的三种经典方法，即随机增边法、随机删边法和随机增删法，进行对比验证，随机增边法，通过无目标的随机增加k条边来对网络结构进行扰动；与之相反，随机删边法，通过无目标的随机删除k条边来对网络结构进行扰动，随机增删法是通过无目标的增加k条边，再无目标的删除k条边，保证节点的平均度不变。作为实验组，本发明方法删边的数量m＝k，增边的数量n＝k。本实施例选取20世纪70年代初美国一所大学中空手道俱乐部34名成员间的社交关系网络，从该数据中随机选取了10％的关系作为需要隐藏的敏感关系E^P，为排除随机抽样的偶然性，对随机删边法、随机增边法、随机增删保护法都重复实验100次，然后取平均值作为其最终保护效果。

在上述社交关系网络上进行实验，采用资源分配指标(Resource Allocationindex)作为相似性指标进行评价，本发明提出的隐私保护方法与传统扰动方法的保护效果如表1所示，表中的数值表示在采用各隐私保护方法后，需要隐藏的敏感关系E^P在资源分配指标下的相似性得分，较原始网络中得分下降的百分比，从表中结果可以看出，本发明提出的方法对比传统方法可以极大幅度降低敏感关系的相似性得分，从而避免被网络关系预测方法被重新挖掘，证明本发明提出的方法对敏感关系具有很好的保护效果。

表1敏感关系隐私保护结果

三、本发明的网络可用性评估

为验证本发明对网络可用性的影响，采用传统的结构扰动的三种经典方法，即随机增边法、随机删边法和随机增删法，在上述实验设置中进行对比验证，本实施例选取平均节点度、聚类系数、平均度中心性、平均接近中心性、平均介数中心性和平均距离等网络拓扑特征，观察这些隐私保护方法对网络属性的影响，即网络属性较原始网络中的值下降的百分比，如表2所示，本发明方法不会太大地改变上述拓扑特征，尤其在平均节点度、平均接近中心性、平均介数中心性和平均距离这4个网络特征上的变化是上述方法中最小的，证明本发明提出的方法能很好地维持了网络数据的可利用性。

表2实施隐私保护方法后网络拓扑特征的变化

采用方法	随机删边保护法	随机增边保护法	随机置换保护法	本发明方法
					平均节点度	9.2％	-9.2％	0.0％	0.0％
聚类系数	18.1％	9.0％	26.4％	32.3％
					平均度中心性	9.2％	-9.2％	0.0％	2.6％
平均接近中心性	4.1％	-6.7％	-2.5％	-0.7％
					平均介数中心性	-15.1％	14.5％	2.7％	-1.9％
平均距离	-4.5％	6.6％	2.7％	0.7％

Claims (10)

1.一种针对社交网络关系预测的隐私保护方法，其特征在于，包括以下步骤：

1)在原始社交网络G中，获取其存在的关系集合E、尚不存在的社交关系集合N以及确定要保护的敏感关系集合E^P；

2)从原始社交网络G中删除要保护的敏感关系集合E^P，得到隐藏敏感关系后的关系集合E^T，则有E^T＝E-E^P；

3)采用关系预测算法，在由E^T构成的网络中对敏感关系E^P进行预测，计算每对敏感关系(a，b)中两个节点a和b之间的相似性分数S_a，b；

4)给定改动次数，包括删除旧关系的数量m和增加新关系的数量n；

5)对于敏感关系集合E^P中一对要保护的敏感关系(x，y)，提取其1至k阶邻居集合

根据

构造子网络G_sub；

6)对敏感关系集合E^P中每对要保护的敏感关系(x，y)，从子网络G_sub中选出m条要删除的旧关系集合E_del和n条要增加的新关系集合E_add，对子网络G_sub进行删增改动，使得在修改后的网络中敏感关系(x，y)的相似性分数下降最大；

7)更新网络结构，得到修改后的网络

以及尚不存在的社交关系集合

对于要保护的敏感关系集合E^P中剩余要保护的敏感关系，重复步骤5)和6)。

2.根据权利要求1所述的一种针对社交网络关系预测的隐私保护方法，其特征在于，所述的步骤3)中，关系预测算法为链路预测方法，包括局部相似性方法、基于随机游走的相似性方法和基于深度学习的相似性方法。

3.根据权利要求1所述的一种针对社交网络关系预测的隐私保护方法，其特征在于，所述的步骤3)中，每对敏感关系(a，b)中两个节点a和b之间的相似性分数S_a，b根据共同邻居指标、资源分配指标或偏好链接指标计算。

4.根据权利要求1所述的一种针对社交网络关系预测的隐私保护方法，其特征在于，所述的步骤4)中，参数m和n取值范围在保证网络可用性前提下，具体为不超过关系集合E^T中总关系数量的10％。

5.根据权利要求1所述的一种针对社交网络关系预测的隐私保护方法，其特征在于，所述的步骤5)中，k阶邻居表示敏感关系(x，y)的一对节点在k步内能够到达的所有节点的集合。

6.根据权利要求1所述的一种针对社交网络关系预测的隐私保护方法，其特征在于，所述的步骤5)中，构造子网络G_sub具体包括以下步骤：

51)确定子网络节点为不含重复节点的集合

52)确定子网络边集，从第一个子网络节点开始，依次在原网络中取出以此节点为一端的所有关系，并判断此关系的另一个节点是否也属于子网络的节点集，若是，则在子网络中添加这条边，若否，则直接遍历下一条边。

7.根据权利要求1所述的一种针对社交网络关系预测的隐私保护方法，其特征在于，所述的步骤6)中，采用枚举法、启发式方法、最优化或图神经网络的方法获取使得在修改后的网络中敏感关系(x，y)的相似性分数下降最大的方案。

8.根据权利要求1所述的一种针对社交网络关系预测的隐私保护方法，其特征在于，该方法还包括以下步骤：

8)网络结构的改动结束，得到最终的社交网络关系集合

在由

构成的网络中利用关系预测算法对敏感关系集合E^P重新预测，得到每对敏感关系(x，y)中两个节点x和y之间的修正的相似性分数

最后评估隐私保护效果和网络可用性。

9.根据权利要求8所述的一种针对社交网络关系预测的隐私保护方法，其特征在于，所述的步骤8)中，具体包括在修正网络中的相似性得分、AUC指标得分和/或Precision指标得分相对于其在原始网络中得分下降的百分比。

10.根据权利要求8所述的一种针对社交网络关系预测的隐私保护方法，其特征在于，所述的步骤8)中，网络可用性包括平均节点度、聚类系数、平均度中心性、平均接近中心性、平均介数中心性、平均距离和邻接矩阵的最大频谱。

Images