基于帶權(quán)重社會網(wǎng)絡(luò)的隱私保護(hù)研究.pdf

1、隨著互聯(lián)網(wǎng)的發(fā)展，社會網(wǎng)絡(luò)也有了飛速的發(fā)展，由此產(chǎn)生了一些被大眾所熟知的應(yīng)用程序，比如Facebook、微信等。社交用戶在使用這些應(yīng)用時將會產(chǎn)生大量的社會網(wǎng)絡(luò)數(shù)據(jù)，這些數(shù)據(jù)中毫無疑問會涵蓋隱私信息。因此，在社會網(wǎng)絡(luò)數(shù)據(jù)發(fā)布前，為了避免隱私泄漏，數(shù)據(jù)持有者必須對這些數(shù)據(jù)采取保護(hù)。社會網(wǎng)絡(luò)中隱私的研究主要來源于關(guān)系數(shù)據(jù)，然而依舊存在一些問題。一方面，隱私保護(hù)中使用的數(shù)據(jù)沒有合適的國內(nèi)數(shù)據(jù)集來用于檢驗算法有效性。另一方面，社會網(wǎng)絡(luò)數(shù)據(jù)往往被抽

2、象成不帶權(quán)重的簡單圖，但是邊權(quán)重可能會被當(dāng)作攻擊者的背景知識，導(dǎo)致隱私泄漏。最后，大部分算法只考慮了單敏感屬性。結(jié)合這三方面的內(nèi)容，本文提出了隱私保護(hù)的算法改進(jìn)，具體研究成果如下:
　　(1)C-DBLP數(shù)據(jù)集的編制。C-DBLP數(shù)據(jù)集是來自于WAMDM實驗室一個合著網(wǎng)絡(luò)數(shù)據(jù)。本文通過計算C-DBLP數(shù)據(jù)集的權(quán)重，從原頁面抓取作者的已發(fā)表論文數(shù)據(jù)，然后根據(jù)每對合著者間合著文獻(xiàn)數(shù)目，每篇合著文獻(xiàn)作者數(shù)目，計算邊權(quán)重值，最后整合數(shù)據(jù)，

3、形成C-DBLP帶權(quán)重社會網(wǎng)絡(luò)數(shù)據(jù)集。
　　(2)基于邊增加的權(quán)重泛化算法。在實際的社會網(wǎng)絡(luò)中，權(quán)重值往往可以表明個體間關(guān)系的重要性，且權(quán)重也可能會導(dǎo)致目標(biāo)個體的再識別，從而導(dǎo)致隱私泄漏。因此，本文考慮在帶權(quán)重社會網(wǎng)絡(luò)中抵御基于權(quán)重的攻擊，提出K-權(quán)重泛化匿名算法。該方法使用泛化和K-匿名來保證社會網(wǎng)絡(luò)數(shù)據(jù)的安全性。為了使隱私保護(hù)算法具有較高的有效性，本文引入權(quán)重差值來減少原始圖的修改。
　　(3)基于權(quán)重圖的多敏感屬性保護(hù)