CN117592112B - 一种基于图融合的联邦页面排名计算方法 - Google Patents
一种基于图融合的联邦页面排名计算方法 Download PDFInfo
- Publication number
- CN117592112B CN117592112B CN202410067598.XA CN202410067598A CN117592112B CN 117592112 B CN117592112 B CN 117592112B CN 202410067598 A CN202410067598 A CN 202410067598A CN 117592112 B CN117592112 B CN 117592112B
- Authority
- CN
- China
- Prior art keywords
- edge
- graph
- weight matrix
- ciphertext
- confusion
- 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
Links
- 238000004364 calculation method Methods 0.000 title claims abstract description 43
- 230000004927 fusion Effects 0.000 title claims abstract description 24
- 239000011159 matrix material Substances 0.000 claims abstract description 118
- 238000010606 normalization Methods 0.000 claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 16
- 238000007499 fusion processing Methods 0.000 claims abstract description 9
- 238000010586 diagram Methods 0.000 claims description 39
- 238000013016 damping Methods 0.000 claims description 7
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 6
- 230000002776 aggregation Effects 0.000 description 9
- 238000004220 aggregation Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 6
- 239000012634 fragment Substances 0.000 description 4
- 230000004931 aggregating effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000006116 polymerization reaction Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/602—Providing cryptographic facilities or services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Bioethics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Storage Device Security (AREA)
Abstract
本发明公开了一种基于图融合的联邦页面排名计算方法，包括：S1.对参与双方的密文进行图融合处理，得到经过混淆过后的明文边结构信息以及秘密分享状态下的密文边权重矩阵；S2.初始化页面排名pagerank算法中的pagerank值，并对得到的密文边权重矩阵进行归一化处理，得到归一化处理后的密文边权重矩阵；S3.根据初始化的pagerank值和归一化处理后的密文边权重矩阵，得到计算迭代所需要的初始系数矩阵；S4.基于明文边结构信息以及归一化处理后的密文边权重矩阵，对pagerank值和初始系数矩阵的值进行迭代更新，直至收敛，得到最终pagerank值和系数矩阵的值。本发明在图融合、计算过程中不会暴露任何原始图的信息，保护节点信息和图结构。
Description
技术领域
本发明涉及计算机技术领域，尤其涉及一种基于图融合的联邦页面排名计算方法。
背景技术
PageRank（页面排名）是一种用于评估互联网上网页重要性的算法。PageRank 的核心思想是通过分析网页之间的链接关系，为每个网页分配一个重要性分数。PageRank 算法的应用不仅限于网页排名，它还可以用于搜索引擎、社交网络分析、推荐系统、信息检索和链接分析等领域。
传统的 PageRank 计算需要汇总全局图数据，然而，在联邦计算环境中，每个节点通常由不同的数据持有者管理，这意味着数据持有者不希望共享其完整的图数据。
因此，传统PageRank算法在联邦场景下无法直接应用，存在以下技术问题：
1、目前工业界联邦Pagerank的计算只能在单方拥有全局图的场景下，无法在两方各拥有部分子图的情况下安全计算；
2、目前工业界图联邦框架大多需要中心化节点。
针对上述技术问题，本发明提出一种基于图融合的联邦页面排名计算方法。
发明内容
本发明的目的是针对现有技术的缺陷，提供了一种基于图融合的联邦页面排名计算方法。
为了实现以上目的，本发明采用以下技术方案：
一种基于图融合的联邦页面排名计算方法，包括：
S1.对参与双方的密文进行图融合处理，得到经过混淆过后的明文边结构信息以及秘密分享状态下的密文边权重矩阵；
S2.初始化页面排名pagerank算法中的pagerank值，并对得到的密文边权重矩阵进行归一化处理，得到归一化处理后的密文边权重矩阵；
S3.根据初始化的pagerank值和归一化处理后的密文边权重矩阵，得到计算迭代所需要的初始系数矩阵；
S4.基于明文边结构信息以及归一化处理后的密文边权重矩阵，对pagerank值和初始系数矩阵的值进行迭代更新，直至收敛，得到最终pagerank值和系数矩阵的值。
进一步的，所述步骤S1具体为：
S11.参与双方分别获取对方的本地节点数量；其中参与双方包括第一参与方、第二参与方；
S12.参与双方分别对获取的本地节点数量进行隐私求交，得到对应的交集节点信息；
S13.参与双方分别根据得到的交集节点信息对本地节点进行重新排序；
S14.第一参与方根据本方的第一图结构生成第一混淆图，将生成的第一混淆图发送给第二参与方，且第一参与方还将第一图结构中的边权重矩阵以秘密共享的形式密文分享给第二参与方；
S15.第二参与方接收第一参与方发送的第一混淆图以及第一图结构中的边权重矩阵，并根据本方的第二图结构生成第二混淆图，将第一混淆图、第二混淆图进行融合，将融合后的混淆图发送给第一参与方，且第二参与方还将第二图结构中的边权重矩阵以秘密共享的形式分享给第一参与方；
S16.第一参与方接收第二参与方发送的融合后的混淆图以及第二图结构中的边权重矩阵；
S17.参与双方分别根据接收到的边权重矩阵得到在秘密分享状态下的密文聚合边权重矩阵。
进一步的，所述步骤S14中生成第一混淆图具体为：判断第一参与方中第一图结构的每个节点对应的边结构信息中的边数量是否大于k，若是，则根据第一参与方的边权重矩阵进行排序，并裁剪掉边权重矩阵中权重最小的边，使边数量等于k；若否，则生成边权重矩阵中权重为0的混淆边，使边数量等于k；其中k表示第一混淆参数。
进一步的，所述步骤S15中将第一混淆图、第二混淆图进行融合具体为：
将参与双方的非交集节点直接加入全局图中；
将参与双方的交集节点在参与双方的边信息求并集，作为新的节点边信息，加入全局图中。
进一步的，所述步骤S2中对得到密文边权重矩阵进行归一化处理，表示为：
edge_weight_standard= edge_weight/sum（edge_weight，axis=1）
其中，edge_weight_standard表示归一化处理后的边权重矩阵，edge_weight表示边权重矩阵；axis=1表示沿着列的方向进行计算；sum（）表示sum函数。
进一步的，所述步骤S3中根据初始化的pagerank值和标准化后的密文边权重矩阵，得到计算迭代所需要的初始系数矩阵，表示为：
pr_coef=PR* edge_weight_standard
其中，pr_coef表示初始系数矩阵；PR表示pagerank值。
进一步的，所述步骤S4中迭代更新方式具体为：
根据阻尼系数、样本量更新pagerank值。
进一步的，所述更新pagerank值表示为：
PR(i)=(1-d)/N+d*∑(pr_coef(j，i))
其中，d表示阻尼系数；N表示样本量；i、j表示节点。
与现有技术相比，本发明具有以下有益效果：
1) 本发明无需第三方参与；
2) 图融合、计算过程中不会暴露任何原始图的信息，保护节点信息和图结构；
3) 融合过程只需要一次密文矩阵聚合，计算过程中每轮迭代只需要一次密文乘法的通信开销(秘密分享的加法无需通信)，实现了最低通信次数；
4) 计算结果精度与明文对比能够实现高精度。
附图说明
图1是实施例一提供的一种基于图融合的联邦页面排名计算方法流程图；
图2是实施例一提供的参与双方的密文进行图融合处理流程图；
图3是实施例二提供的全局图效果示意图；
图4是实施例二提供的所有节点生成混淆边示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
本发明的目的是针对现有技术的缺陷，提供了一种基于图融合的联邦页面排名计算方法。
实施例一
本实施例提供一种基于图融合的联邦页面排名计算方法，如图1所示，包括：
S1.对参与双方的密文进行图融合处理，得到经过混淆过后的明文边结构信息以及秘密分享状态下的密文边权重矩阵；
S2.初始化页面排名pagerank算法中的pagerank值，并对得到的密文边权重矩阵进行归一化处理，得到归一化处理后的密文边权重矩阵；
S3.根据初始化的pagerank值和归一化处理后的密文边权重矩阵，得到计算迭代所需要的初始系数矩阵；
S4.基于明文边结构信息以及归一化处理后的密文边权重矩阵，对pagerank值和初始系数矩阵的值进行迭代更新，直至收敛，得到最终pagerank值和系数矩阵的值。
在步骤S1中，对参与双方的密文进行图融合处理，得到经过混淆过后的明文边结构信息以及秘密分享状态下的密文边权重矩阵；其中参与双方包括第一参与方、第二参与方。
图融合主要是将图结构信息拆分为边结构信息、边权重矩阵两个方面，接着对边结构信息进行混淆，对边权重矩阵进行加密，进而来同时达到支持灵活运算、保护图结构的功能。
如图2所示，步骤S1具体包括：
S11.参与双方分别获取对方的本地节点数量；
第一参与方（命名为PartyA）将其的本地节点数量传输给第二参与方（命名为PartyB），PartyB接收到PartyA发送的本地节点数量；PartyB将其的本地节点数量传输给PartyA，PartyA接收到PartyB发送的本地节点数量；进而实现本地节点数量的交换。
S12.参与双方分别对获取的本地节点数量进行隐私求交，得到对应的交集节点信息；
PartyA对PartyB的本地节点数量以及自身的本地节点数量进行隐私求交PSI计算，进而计算出PartyA和PartyB本地节点数据的交集，得到第一交集节点信息。
PartyB对PartyA的本地节点数量以及自身的本地节点数量进行隐私求交PSI计算，进而计算出PartyB和PartyA本地节点数据的交集，得到第二交集节点信息。
本实施例采用隐私求交PSI方法使得计算过程中（除了交集部分）不泄露任何和各自集合相关的信息。
需要说明的是，PartyA得到的第一交集节点信息与PartyB得到的第二交集节点信息是相同的交集节点信息；交集信息指的是两方共同拥有的节点。
S13.参与双方分别根据得到的交集节点信息对本地节点进行重新排序；
PartyA首先对计算出第一交集节点信息中的交集节点进行重新排序，使得交集节点对齐，接着按照指定顺序对本地节点进行重新排序。
PartyB首先对计算出第二交集节点信息中的交集节点进行重新排序，使得交集节点对齐，接着按照指定顺序对本地节点进行重新排序。
需要说明的是，对交集节点进行排序可根据实际情况进行确定，对本地节点进行排序的指定顺序可以根据实际情况设定，本实施中优选按照交集节点-PartyA方非交集节点-PartyB方非交集节点的顺序。
S14.第一参与方根据本方的第一图结构生成第一混淆图，将生成的第一混淆图发送给第二参与方，且第一参与方还将第一图结构中的边权重矩阵以秘密共享的形式密文分享给第二参与方；
PartyA基于对齐的交集节点得到第一图结构，第一图结构包括边结构信息、边权重矩阵，接着PartyA根据本方的第一图结构对边结构信息进行混淆，生成第一混淆图，并将第一混淆图对应的对边结构信息以明文的方式发送给PartyB；PartyA还根据本方的第一图结构对应的边权重矩阵edge_weight_A进行加密，并将加密后的边权重矩阵edge_weight_A以秘密共享的形式密文分享给PartyB。
在本实施例中，对边结构信息进行混淆具体为：指定第一混淆参数k；对于第一图结构中的每个节点，判断每个节点对应的边结构信息中的边数量是否大于k，若边数量大于k，则根据本地边权重矩阵进行排序，并裁剪掉边权重矩阵中权重最小的边，使边数量等于k；若边数量小于k，则生成边权重矩阵中权重为0的混淆边，使边数量等于k。
S15.第二参与方接收第一参与方发送的第一混淆图以及第一图结构中的边权重矩阵，并根据本方的第二图结构生成第二混淆图，将第一混淆图、第二混淆图进行融合，将融合后的混淆图发送给第一参与方，且第二参与方还将第二图结构中的边权重矩阵以秘密共享的形式分享给第一参与方；
PartyB接收PartyA发送的第一混淆图以及第一图结构中的边权重矩阵edge_weight_A。
PartyB基于对齐的交集节点得到第二图结构，第二图结构包括边结构信息、边权重矩阵，接着PartyB根据本方的第二图结构对边结构信息进行混淆，生成第二混淆图；PartyB在明文融合第一混淆图、第二混淆图的结构，得到融合后的第三混淆图，将融合过后的第三混淆图发送给PartyA。
需要说明的是，生成第二混淆图与生成第一混淆图的方式类似，本实施例不做过多赘述。
PartyB还根据本方的第二图结构对应的边权重矩阵edge_weight_B进行加密，并将加密后的边权重矩阵edge_weight_B以秘密共享的形式密文分享给PartyA。
在本实施例中，将第一混淆图、第二混淆图进行融合具体为：
步骤S12中计算出PartyA、PartyB的交集节点，那么PartyA、PartyB中剩余的节点即为非交集节点，针对PartyA、PartyB的非交集节点，将非交集节点直接加入全局图中；针对PartyA、PartyB的交集节点，将交集节点在PartyA、PartyB的边结构信息中求并集，求得的节点作为新的节点边信息，加入全局图中。其中全局图即为第三混淆图。
S16.第一参与方接收第二参与方发送的融合后的混淆图以及第二图结构中的边权重矩阵；
PartyA接收PartyB发送的基于明文融合后的混淆图以及基于密文的边权重矩阵edge_weight_B。
S17.参与双方分别根据接收到的边权重矩阵得到在秘密分享状态下的密文聚合边权重矩阵；
PartyA根据其本地持有的边权重矩阵的分片，在秘密分享状态下对密文聚合其边权重矩阵，得到全局图对应的边权重矩阵edge_weight。
PartyB根据本地持有的边权重矩阵的分片，在秘密分享状态下对密文聚合边权重矩阵，得到全局图对应的边权重矩阵edge_weight。
边权重矩阵的分片为：边权重矩阵包含每条边的权重信息，获得明文的权重矩阵便可获得图的结构。故权重矩阵是以秘密分享的形式密文分散存储在两方，每方保存一个密文分片。
本实施例聚合的方法具体为：
针对非重合的边，其密文权重等于边拥有方的密文权重；其中，非重合的边为：PartyB同时获得第一混淆图、第二混淆图，故可以计算出两张混淆图重合的边，那么剩余的边即为非重合的边，并同步给PartyA。
需要说明的是，在实际操作时，针对诸如求和、最大值的聚合方法，无需关心边是否重合，可以直接对所有边进行计算。
针对重合边，支持以求和、最大值等多种方式聚合边权重。
具体聚合方式可根据实际情况确定。本实施例以求和为例，将edge_weight_A和edge_weight_B相加即可。最大值聚合可以通过计算公式edge_weight_A + (edge_weight_B - edge_weight_A) *(edge_weight_B>edge_weight_A) 来在秘密分享下实现计算。
在本实施例中，还包括参与双方分别得到明文混淆边结构信息以及密文聚合后的边权重矩阵。
PartyA保存明文融合后的混淆图结构以及密文聚合后的边权重矩阵edge_weight。
PartyB保存明文融合后的混淆图结构以及密文聚合后的边权重矩阵edge_weight。
在步骤S2中，初始化页面排名pagerank算法中的pagerank值，并对得到的密文边权重矩阵进行归一化处理，得到归一化处理后的密文边权重矩阵。
PartyA读取pus结果，初始化pagerank值；PartyB读取pus结果，初始化pagerank值。Pus为private set union，指前一步的密文图融合过程；pagerank值由PartyA进行初始化，并以秘密分享的形式将pagerank值的分片共享给PartyB。
PartyA、PartyB均对密文聚合后的边权重矩阵edge_weight进行归一化处理，得到归一化处理后的密文边权重矩阵edge_weight_standard，表示为：
edge_weight_standard= edge_weight/sum（edge_weight，axis=1）
其中，edge_weight_standard表示归一化处理后的边权重矩阵，edge_weight表示边权重矩阵；axis=1表示沿着列的方向进行计算；sum（）表示sum函数。
在步骤S3中，根据初始化的pagerank值和归一化处理后的密文边权重矩阵，得到计算迭代所需要的初始系数矩阵。
根据初始化的pagerank值和归一化处理后的密文边权重矩阵，相乘得到计算迭代所需要的初始系数矩阵pr_coef，表示为：
pr_coef=PR* edge_weight_standard
其中，pr_coef表示初始系数矩阵；PR表示初始化pagerank值。
在步骤S4中，基于明文边结构信息以及归一化处理后的密文边权重矩阵，对pagerank值和初始系数矩阵的值进行迭代更新，直至收敛，得到最终pagerank值和系数矩阵的值。
在本实施例中，迭代更新方式具体为：
针对每一个节点，对邻居节点对应的计算系数进行求和；
根据阻尼系数、样本量以及计算系数和，求和为所有指向节点i的节点j，更新pagerank值，表示为：
PR(i)=(1-d)/N+d*∑(pr_coef(j，i))
其中，d表示阻尼系数；N表示样本量；i表示当前节点；j表示邻居节点。
在本实施例中，系数矩阵中的每个元素都表示某个节点一条单向边的计算系数。以矩阵中第i行第j列的元素为例，表示的是节点i指向其第j个邻居节点的计算系数。其第j个邻居节点可以由混淆图的信息确认。在这一步中，每个节点根据混淆图，找到所有指向其的节点(邻居节点)，并对其所有邻居节点对应的计算系数求和。
在本实施例中，还包括计算迭代更新中的损失值abs(sum(PR)-sum(pr_last))，通过损失值判断是否停止迭代更新。
系数矩阵是由pagerank值乘归一化后的密文边权重矩阵计算得来，当pagerank值更新后，就可以串行更新系数矩阵的值。
本实施例具有以下有益效果：
1) 本实施例无需第三方参与；
2) 图融合、计算过程中不会暴露任何原始图的信息，保护节点信息和图结构；
3) 融合过程只需要一次密文矩阵聚合，计算过程中每轮迭代只需要一次密文乘法的通信开销(秘密分享的加法无需通信)，实现了最低通信次数；
4) 计算结果精度与明文对比能够实现高精度。
实施例二
本实施例提供的一种基于图融合的联邦页面排名计算方法与实施例一的不同之处在于：
本实施例将实施例一的方法应用于银行A和银行B的交易网络数据。
银行A和银行B各有一部分客户的交易网络数据，现希望在不暴露各自方客户隐私信息的前提下，将两张交易网络融合为一张全局网络，并在全局网络上通过实施例一的方法计算Pagerank值，进而来确定每个客户在交易网络中的重要程度，以便后续对客户更精准的定位推荐，或是风险分析。
本实施例以银行A（后续称A方）拥有图数据节点x0，x1，x2，拥有边x0->x1，x0->x2；银行B（后续称B方）拥有图数据节点x2，x3，x4，拥有边x2->x3，x3->x4为例进行说明。
A方、B方的边权重都为1，全局图效果如图3所示。
A方拥有边结构：[(X0，X1)，(X0，X2)]以及其权重[1，1]；
B方拥有边结构：[(X2，X3)，(X3，X4)]以及其权重[1，1]。
在不暴露A方、B方各自信息的情况下，在全局图结构中计算出每个节点的页面排名值，流程如下：
（1）A方、B方交换节点数量，A方、B方知道彼此各有3个节点；
（2）使用隐私求交技术PSI，得到A方和B方的公共节点X2；
（3）双方根据顺序重排出全局图列表，A方结构为：[X0，X1，X2，y1，y2]，B方结构为：[z1，z2，X2，X3，X4]，其中由于A方、B方不知道对方节点ID，则使用y，z来表示未知ID占位；
（4）A方生成混淆图，取k为2，则对所有节点生成混淆边直到其拥有2条出向边，如图4所示；
（5）对生成出的虚拟边赋值权重为0，故现在A方拥有结构：[(X0，X1)，(X0，X2)，(X1，X0)，(X1，X2)，(X2，X0)，(X2，X1)]，以及权重[[1，1]，[0，0]，[0，0]]。类似的，B方也生成混淆图：[(X2，X3)，(X2，X4)，(X3，X2)，(X3，X4)，(X4，X2)，(X4，X3)]，以及权重[[1，0]，[0，1]，[0，0]]；
（6）A方将结构明文传给B方，边权重以秘密分享的形式加密传送给B方。B方也将权重进行秘密分享。B方对结构进行融合得到：[(X0，X1)，(X0，X2)，(X1，X0)，(X1，X2)，(X2，X0)，(X2，X1)，(X2，X3)，(X2，X4)，(X3，X4)，(X3，X2)，(X4，X2)，(X4，X3)]，以及在密文上融合边权重得到[[1，1，0，0]，[0，0，1，0]，[1，0，0，0]，[0，0，0，0]，[0，0，0，0]]；
（7）针对每一个节点在密文上根据权重求得其度，为[[2，0，1，1，0]]，归一化权重得到[[0.5，0.5，0，0]，[0，0，1，0]，[1，0，0，0]，[0，0，0，0]，[0，0，0，0]]。初始化每个节点的pagerank值；
（8）根据已知的初始化pagerank值、归一化权重矩阵值，在秘文下根据pagerank算法流程进行迭代，得到最终结果。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例， 而本发明的范围由所附的权利要求范围决定。
Claims (6)
1.一种基于图融合的联邦页面排名计算方法，其特征在于，包括：
S1.对参与双方的密文进行图融合处理，得到经过混淆过后的明文边结构信息以及秘密分享状态下的密文边权重矩阵；
S2.初始化页面排名pagerank算法中的pagerank值，并对得到的密文边权重矩阵进行归一化处理，得到归一化处理后的密文边权重矩阵；
S3.根据初始化的pagerank值和归一化处理后的密文边权重矩阵，得到计算迭代所需要的初始系数矩阵；
S4.基于明文边结构信息以及归一化处理后的密文边权重矩阵，对pagerank值和初始系数矩阵的值进行迭代更新，直至收敛，得到最终pagerank值和系数矩阵的值；
所述步骤S1具体为：
S11.参与双方分别获取对方的本地节点数量；其中参与双方包括第一参与方、第二参与方；
S12.参与双方分别对获取的本地节点数量进行隐私求交，得到对应的交集节点信息；
S13.参与双方分别根据得到的交集节点信息对本地节点进行重新排序；
S14.第一参与方根据本方的第一图结构生成第一混淆图，将生成的第一混淆图发送给第二参与方，且第一参与方还将第一图结构中的边权重矩阵以秘密共享的形式密文分享给第二参与方；
S15.第二参与方接收第一参与方发送的第一混淆图以及第一图结构中的边权重矩阵，并根据本方的第二图结构生成第二混淆图，将第一混淆图、第二混淆图进行融合，将融合后的混淆图发送给第一参与方，且第二参与方还将第二图结构中的边权重矩阵以秘密共享的形式分享给第一参与方；
S16.第一参与方接收第二参与方发送的融合后的混淆图以及第二图结构中的边权重矩阵；
S17.参与双方分别根据接收到的边权重矩阵得到在秘密分享状态下的密文聚合边权重矩阵；
所述步骤S14中生成第一混淆图具体为：判断第一参与方中第一图结构的每个节点对应的边结构信息中的边数量是否大于k，若是，则根据第一参与方的边权重矩阵进行排序，并裁剪掉边权重矩阵中权重最小的边，使边数量等于k；若否，则生成边权重矩阵中权重为0的混淆边，使边数量等于k；其中k表示第一混淆参数。
2.根据权利要求1所述的一种基于图融合的联邦页面排名计算方法，其特征在于，所述步骤S15中将第一混淆图、第二混淆图进行融合具体为：
将参与双方的非交集节点直接加入全局图中；
将参与双方的交集节点在参与双方的边信息求并集，作为新的节点边信息，加入全局图中。
3.根据权利要求1所述的一种基于图融合的联邦页面排名计算方法，其特征在于，所述步骤S2中对得到密文边权重矩阵进行归一化处理，表示为：
edge_weight_standard＝edge_weight/sum(edge_weight，axis＝1)其中，edge_weight_standard表示归一化处理后的边权重矩阵，edge_weight表示边权重矩阵；axis＝1表示沿着列的方向进行计算；sum()表示sum函数。
4.根据权利要求3所述的一种基于图融合的联邦页面排名计算方法，其特征在于，所述步骤S3中根据初始化的pagerank值和标准化后的密文边权重矩阵，得到计算迭代所需要的初始系数矩阵，表示为：
pr_coef＝PR*edge_weight_standard
其中，pr_coef表示初始系数矩阵；PR表示pagerank值。
5.根据权利要求4所述的一种基于图融合的联邦页面排名计算方法，其特征在于，所述步骤S4中迭代更新方式具体为：
根据阻尼系数、样本量更新pagerank值。
6.根据权利要求5所述的一种基于图融合的联邦页面排名计算方法，其特征在于，所述更新pagerank值表示为：
PR(i)＝(1-d)/N+d*∑(pr_coef(j，i))
其中，d表示阻尼系数；N表示样本量；i、j表示节点。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410067598.XA CN117592112B (zh) | 2024-01-17 | 2024-01-17 | 一种基于图融合的联邦页面排名计算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410067598.XA CN117592112B (zh) | 2024-01-17 | 2024-01-17 | 一种基于图融合的联邦页面排名计算方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117592112A CN117592112A (zh) | 2024-02-23 |
| CN117592112B true CN117592112B (zh) | 2024-04-05 |
Family
ID=89918642
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410067598.XA Active CN117592112B (zh) | 2024-01-17 | 2024-01-17 | 一种基于图融合的联邦页面排名计算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117592112B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114564752A (zh) * | 2022-04-28 | 2022-05-31 | 蓝象智联(杭州)科技有限公司 | 一种基于图联邦的黑名单传播方法 |
| WO2022172363A1 (ja) * | 2021-02-10 | 2022-08-18 | 日本電信電話株式会社 | 秘密ページランク計算システム、その方法、秘密計算装置、およびプログラム |
| CN115099419A (zh) * | 2022-08-26 | 2022-09-23 | 香港中文大学（深圳） | 一种面向无线联邦学习的用户协同传输方法 |
| CN115130880A (zh) * | 2022-07-05 | 2022-09-30 | 徽商银行股份有限公司 | 非对称场景下基于联邦学习金融电力数据融合方法及介质 |
| CN115203487A (zh) * | 2022-09-15 | 2022-10-18 | 深圳市洞见智慧科技有限公司 | 基于多方安全图的数据处理方法及相关装置 |
| CN115392480A (zh) * | 2022-08-05 | 2022-11-25 | 北京富算科技有限公司 | 安全求交、联邦学习模型的训练方法及系统、设备及介质 |
| CN115796229A (zh) * | 2022-09-22 | 2023-03-14 | 北京富算科技有限公司 | 图节点的嵌入方法、系统、设备及存储介质 |
| CN116680713A (zh) * | 2023-06-05 | 2023-09-01 | 杭州博盾习言科技有限公司 | 基于隐私集合求交的联邦复合运算方法、装置、介质 |
-
2024
- 2024-01-17 CN CN202410067598.XA patent/CN117592112B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022172363A1 (ja) * | 2021-02-10 | 2022-08-18 | 日本電信電話株式会社 | 秘密ページランク計算システム、その方法、秘密計算装置、およびプログラム |
| CN114564752A (zh) * | 2022-04-28 | 2022-05-31 | 蓝象智联(杭州)科技有限公司 | 一种基于图联邦的黑名单传播方法 |
| CN115130880A (zh) * | 2022-07-05 | 2022-09-30 | 徽商银行股份有限公司 | 非对称场景下基于联邦学习金融电力数据融合方法及介质 |
| CN115392480A (zh) * | 2022-08-05 | 2022-11-25 | 北京富算科技有限公司 | 安全求交、联邦学习模型的训练方法及系统、设备及介质 |
| CN115099419A (zh) * | 2022-08-26 | 2022-09-23 | 香港中文大学（深圳） | 一种面向无线联邦学习的用户协同传输方法 |
| CN115203487A (zh) * | 2022-09-15 | 2022-10-18 | 深圳市洞见智慧科技有限公司 | 基于多方安全图的数据处理方法及相关装置 |
| CN115796229A (zh) * | 2022-09-22 | 2023-03-14 | 北京富算科技有限公司 | 图节点的嵌入方法、系统、设备及存储介质 |
| CN116680713A (zh) * | 2023-06-05 | 2023-09-01 | 杭州博盾习言科技有限公司 | 基于隐私集合求交的联邦复合运算方法、装置、介质 |
Non-Patent Citations (3)
| Title |
|---|
| Art appreciation model design based on improved PageRank and ECA-ResNeXt50 algorithm;Yang, Hang等;《PEERJ COMPUTER SCIENCE》;20240112;第9卷;全文 * |
| 融合图嵌入与纵向联邦学习的诈骗号码检测方法研究;张林泉;《中国优秀硕士学位论文全文数据库（基础科学辑）》;20230615(第6期);全文 * |
| 面向大数据隐私保护的联邦学习算法航空应用模型研究;陈涛;郭睿;刘志强;;信息安全与通信保密;20200910(第09期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117592112A (zh) | 2024-02-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2022057631A1 (zh) | 基于节点群的数据处理方法、系统、设备和介质 | |
| US20180267981A1 (en) | Method for confidentially querying a location-based service by homomorphing cryptography | |
| EP3920464A1 (en) | Method for storing transaction that represents asset transfer to distributed network and program for the same | |
| Patel et al. | An efficient approach for privacy preserving distributed k-means clustering based on shamir’s secret sharing scheme | |
| Basu et al. | Privacy-preserving collaborative filtering for the cloud | |
| CN113806795B (zh) | 一种两方隐私集合并集计算方法和装置 | |
| CN114564752B (zh) | 一种基于图联邦的黑名单传播方法 | |
| CN112822051B (zh) | 基于业务感知的业务加速方法 | |
| WO2022099893A1 (zh) | 数据查询方法、装置、系统以及数据集处理方法 | |
| Sharma et al. | Implementation of cryptography for privacy preserving data mining | |
| US7490755B2 (en) | Method and program for establishing peer-to-peer karma and trust | |
| CN111259440A (zh) | 一种针对云外包数据的隐私保护决策树分类方法 | |
| KR20220052352A (ko) | 온라인 프라이버시 보호 기술 | |
| CN109728904A (zh) | 一种保护隐私的空间网络查询方法 | |
| CN117592112B (zh) | 一种基于图融合的联邦页面排名计算方法 | |
| CN113657685A (zh) | 联邦模型的训练方法、装置、设备、存储介质及程序 | |
| CN116599696A (zh) | 一种基于同态加密的双重隐匿查询装置及方法 | |
| Cao et al. | Privacy matters: vertical federated linear contextual bandits for privacy protected recommendation | |
| WO2023038930A1 (en) | Systems and methods for averaging of models for federated learning and blind learning using secure multi-party computation | |
| Peng et al. | User experience-driven secure task assignment in spatial crowdsourcing | |
| Zhang et al. | Achieve secure and efficient skyline computation for worker selection in mobile crowdsensing | |
| Han et al. | PPOLQ: Privacy-Preserving Optimal Location Query With Multiple-Condition Filter in Outsourced Environments | |
| Gorner et al. | Improving the use of advisor networks for multi-agent trust modelling | |
| CN113222565A (zh) | 交易系统、交易方法、装置、计算机设备和存储介质 | |
| CN114615090B (zh) | 基于跨域标签传播的数据处理方法及系统、设备及介质 |
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 |