一種基于效用的社交網絡個性化隱私保護算法

袁靜

摘要：社交網絡中涉及個人身份，社交結構，屬性聯系等隱私信息，需對對這些信息進行隱匿然后發布。現存的隱私保護方案，例如k度匿名，k度l多樣性方案存在匿名過度等問題。為此，提出一種個性化的社交用戶屬性保護算法 D-KDLD。首先將敏感屬性節點集合分為關鍵節點和非關鍵節點，然后對非關鍵節點進行分割合并，對關鍵節點進行屬性匿名。實驗結果表明提出的方法在有效保護社交網絡隱私的同時，還能確保信息的高可用性。

關鍵詞：社會網絡;隱私保護;k-度匿名;信息損失

中圖分類號： TP301? ? ? 文獻標識碼： A

文章編號：1009-3044（2019）13-0068-02

Abstract： Social network， which involves personal identity， social structure， attribute contact and other information constitutes private information， needs to be effectively protected before publishing. The existing social network privacy protection scheme based on structural perturbation and attribute generalization has the disadvantages of over-anonymity. To this end， a personalized social user attribute protection algorithm D-KDLD is proposed. First， the sensitive attribute node set is divided into key nodes and non-key nodes， then the non-key nodes are split and merged， and the key nodes are attributed anonymously. The experimental results show that the proposed method can ensure the high availability of information while effectively protecting the privacy of social networks.

Key words： Social network; privacy protection; k-degree anonymity; information loss

社交網絡應用得到廣泛的應用，社交網站注冊用戶數量不斷攀升。很多惡意的攻擊者想要竊取人們的隱私信息。 因此，出現了很多隱私保護的技術研究。

社會網絡中包含很多信息，包括節點的存在性，節點的屬性信息，節點之間的連接關系，和網絡圖的拓撲結構等。很多攻擊者常利用節點的度數和節點的屬性信息進行隱私盜取。所以針對這兩種背景知識的隱私保護技術也很多。文獻[2，3] 側重保護節點屬性數據。文獻[4，5]側重保護節點的敏感屬性。文獻[6，7]用數據擾亂的方式，來保護敏感屬性數據，而文獻[8]則是采用添加噪聲的方式。文獻[9]通過數值擾亂的方式修改社交網絡圖結構，文獻[10]通過修改權重值來實現隱私保護。這些方法破壞了網絡的拓撲結構，降低了數據的效用。

1 社交網絡隱私與模型

1.1 社交網絡隱私信息

問社交網絡即社交網絡服務，社交網絡含義包括硬件、軟件、服務及應用。社交網絡中的隱私信息大致可以分為以下幾種：（1）個人信息，一般現有的社交網絡在注冊時會要求實名制，有些可能還會有郵箱，電話號碼，身份證號等信息。（2）人際關系的信息，在社交網絡中會交識到很多的好友，可能存在一些不想暴露的人際關系網。（3）社交網絡結構信息，對社交網絡平臺本身來說，它所擁有的用戶分布，結構形狀，數據流向等也可能成為隱私信息。

4 結束語

現有社交網絡對節點進行增刪或者擾亂的方式，造成了匿名后的社交網絡圖信息損失嚴重。為了提高效用，本文提出一種基于效用的用戶屬性個性化保護算法 D-KDLD，本方法首先將敏感屬性節點集合，分為關鍵節點和非關鍵節點，對非關鍵節點進行分割合并，對關鍵節點進行屬性匿名綜合計算節點影響力，最后，用 CA-GrQc 數據集實驗，驗證了 D-KDLD 方法能在實現隱私保護強度的同時，提高了數據效用。我們考慮未來改進算法，在更大規模的數據集上取得更好的效果。

參考文獻：

[1] 劉向宇，王斌，楊曉春. 社會網絡數據發布隱私保護技術綜述[J].軟件學報，2014，25（ 3） ： 576-590.

[2] Chester S ， Kapron B M ， Srivastava G ， et al. Complexity of social network anonymization[J]. Social Network Analysis and Mining， 2013， 3（2）：151-166.

[3] 張嘯劍，孟小峰. 面向數據發布和分析的差分隱私保護[J]. 計算機學報，2014，37（ 4） ： 927-949.

[4] Campan A，Truta TM. A clustering approach for data andstructural anonymity in social netw orks[A].2nd ACMSIGKDD International Workshop on Privacy，Security，andTrust in KDD （ Pin KDD '08） [C]. Las Vegas，NV： ACM ，2008：33-54.

[5] Nayahi J J V ， Kavitha V . An Efficient Clustering for Anonymizing Data and Protecting Sensitive Labels[J]. International Journal of Uncertainty， Fuzziness and Knowledge-Based Systems， 2015， 23（05）：685-714.

[6] Masoumzadeh A ， Joshi J . Preserving Structural Properties in Edge-Perturbing Anonymization Techniques for Social Networks[M]. IEEE Computer Society Press， 2012.

[8] Zhou B，Pei J.The K-anonymity and L-diversity approaches for privacy preservation in social netw orks against neighborhood attacks [J].Know ledge and Information Systems，2011，28（ 1） ： 47 – 77.

[9] Ying X，Wu X. On link privacy in randomizing social net-w orks[J]. Know ledge and Information Systems，2011，28（ 3） ： 645-663.

[10] Boldi P ， Bonchi F ， Gionis A ， et al. Injecting Uncertainty in Graphs for Identity Obfuscation[J]. Proceedings of the Vldb Endowment， 2012， 5（11）：1376-1387.

[11] Liu K，Terzi E. Towards identity anonymization on graphs[C].Proceedings of the 2008 ACM SIGM OD international conference onM anagement of data，ACM ，2008： 93-106.

【通聯編輯：梁書】