社交網絡中的社團隱私研究綜述

蔣忠元，陳賢宇，馬建峰

社交網絡中的社團隱私研究綜述

蔣忠元，陳賢宇，馬建峰

（西安電子科技大學網絡與信息安全學院，陜西 西安 710000)

社團是社交網絡的重要特征，社團檢測技術的發展給網絡用戶帶來隱私泄露的危險。如何保護敏感的社團信息不被泄露，保障用戶與社團安全已經成為網絡安全領域的研究熱點。近幾年，社團保護技術取得了初步進展，但針對社交網絡中的社團隱私或社團安全研究進展綜述較少，不利于該研究方向的長遠發展。因此，主要針對社團結構隱私方面的研究進展進行綜述，對最新的相關研究成果進行系統地歸納、總結、比較，并展望了未來的研究方向。

社交網絡；社團檢測；社團隱私；社團安全；社團隱藏

1 引言

隨著科學技術的發展，人們日常生活的方方面面越來越離不開形態各異的網絡，文獻[1]對復雜網絡概念進行了表述。復雜網絡是由大量的節點以及節點之間錯綜復雜的連接關系共同構成的網絡結構，它是人們日常生活中各種復雜系統的抽象表達，如社會網絡[2-3]、生物網絡[4]、電力網絡[5]、金融網絡[6]等。網絡科學由于其高度的跨學科性質以及與社會生活相關聯的高度密切性質吸引著一大批專家學者們的廣泛關注與研究，他們提出了許多有意義的研究方向并獲得了一系列可觀的研究成果，如鏈路預測[7-8]、節點分類[9]、網絡重構[10]、網絡輿情控制與阻斷[11-12]、生物學學科中對未知生物功能的預測[13-14]、計算機學科中的社團檢測算法[15-17]等問題。

近年來，社交網絡的社區（community）也被稱為社團、圈子、模塊等，作為社交網絡科學的一個重要組成部分而被廣大研究員們進行深入研究。研究表明，社交網絡中的一個社區代表了該網絡中聯系最密切的相似節點之間的網絡拓撲，不同的社區之間代表了不同群體之間的差異性或聯系的稀疏性[16-20]，而針對社區結構發掘的社團檢測算法為社團發揮其重要價值起到了關鍵作用。例如，興趣組推薦主要依賴于社團的用戶往往有較相似的興趣愛好以及緊密的聯系。其次，社團的劃分也可以被運用在關聯信息、關聯好友推薦系統等。然而社團本身富含用戶與群體的隱私信息，敏感社團信息泄露可被攻擊者用來從事不良活動。例如，基于社團的謠言擴散，因為相同社團的成員對某種謠言信息的敏感性近似，研究表明社團會加快謠言傳播、加大傳播范圍[12]。綜上，社團機制在社交網絡中是一把雙刃劍，既有利于人們的社交活動，又會給用戶帶來安全隱患。

針對社交網絡的隱私保護技術已較成熟[21]，而針對社團隱私保護的研究尚處于發展階段。社團隱私與社交網絡隱私有較大的區別，主要體現在對象與范圍不同。社團隱私面向具體的社團，而社交網絡的隱私則包括整體網絡、部分網絡、單個用戶安全等。本文涉及的社團隱私主要聚焦在社團結構的隱私問題。本文主要從以下幾方面進行介紹。

1) 社團隱私研究基礎。本文首先介紹社交網絡中社團隱私問題的相關概念；其次，由于社團是研究社團隱私的基礎，因而本文將回顧現有的社團檢測相關工作[15-17]；最后將引入社團隱私保護的研究動機和目標等。

2) 社團安全或社團隱私。社團檢測研究導致的社團暴露可能會造成嚴重的社團與用戶隱私泄露，引發社團安全危機。為此人們逐漸開始研究社團安全隱私的保護工作，本文將詳細介紹現有社團保護技術的核心思想和方法路線。

3) 總結與未來工作展望。本文針對目前社團隱私技術的研究，總結研究中的不足之處，對未來可能出現的熱門研究點進行了展望，為未來社團隱私保護技術的研究提供基礎。

2 社交網絡中社團隱私研究基礎

2.1 社交網絡中的社團隱私問題

在科技發展迅速的時代，個體與個體間的信息溝通會產生具有不同含義的社交網絡，如郵件社交網絡、同事社交網絡、朋友親戚社交網絡等。近十幾年來，社團檢測技術作為研究社交網絡特性的重要入口一直占據著研究人員的研究視線，他們致力于探索如何更加高效快捷地挖掘網絡社團劃分結構。然而，隨著社團檢測研究技術的發展，人們逐漸受到該技術的不當應用導致用戶個人隱私泄露等安全問題的困擾。與此同時，用戶對于個人隱私保護的意識逐步提高，用戶更加關注社交網絡的社團隱私保護問題，而不再無止盡地在社交網絡中挖掘各種潛在的社區信息，因為社交網絡的社區檢測研究所追求的對網絡社團結構進行深度剖析的想法勢必會帶來安全隱患。因此，如何在社交網絡中通過隱藏社團來規避社交網絡的社團檢測工具就顯得異常重要。

社團檢測技術的發展和用戶對社團隱私保護的要求形成技術沖撞，而且這種技術沖撞是不平衡不對等的，現有的研究視線應該關注社團隱私保護技術的研究，努力實現上述兩種技術的平衡發展。現有的社團隱私保護技術的研究主要分為兩種思路：①基于目標社團（target-community）的社團隱私保護研究[22-26]：該研究認為網絡中某個目標社團結構（或者有隱私保護需求的群體）是敏感的，需要通過社團隱藏技術打破該目標社團在網絡中的社團劃分結構，如對社交網絡結構進行適當擾動（刪除真實鏈路、增加虛假鏈路、刪除真實節點或增加干擾節點等）來降低現有社團檢測算法檢測出目標社團的概率，以此逃避社團檢測技術對該社團結構的挖掘。②基于全社團（all-communities）的社團隱私保護研究[27-28]：該研究默認社交網絡中的全部社團結構都是敏感的，需要通過一種或多種社團隱私保護技術對所有的社團進行隱藏操作，以此達到全社團隱私保護的目標。針對目標社團隱私保護的技術更加貼近實際需求，實施代價相對較小，并且能較好地保持原始網絡的可用性。而全社團保護技術使網絡的可用性損失較大，實施代價略高。

2.2 社交網絡中社團檢測的相關研究

社團是社交網絡中社團隱私保護的重要基礎結構，而社團檢測是發掘網絡中社團結構的主要方法[29-30]。從是否具有重疊社團的角度將現有的社團檢測方法分為非重疊社團檢測算法（non- overlapping community detection algorithm）與重疊社團檢測算法（overlapping community detection algorithms）。非重疊社區檢測算法旨在挖掘無節點相交的社團劃分結構；而重疊社團檢測算法需要考慮某些節點可以同時存在于不同社團內部的特性對檢測性能的影響，以此來發掘存在相交節點集的社團劃分。

大規模網絡結構通常極其復雜，并非單純地由非重疊社區組合而成，而是由一個個重疊的社團構成的[41-42]。重疊社區的社團檢測算法主要分為以下4類。①基于邊劃分的檢測算法：Ahn等[43]提出了一種重疊社區檢測算法——ABL（Ahn，Bagrow，Lehmann）算法，該算法將挖掘緊密相連的點社團轉變為挖掘網絡中緊密相連的邊社團；Kim等[44]擴展了InfoMap算法到邊圖上；Ye等[45]提出了一種多解析度的邊社團發現算法MLP。②基于優化的重疊社區檢測算法：Lancichinetti等[46]提出了一種從隨機選取的種子節點開始構造社區結構，終止條件為適應度函數獲得局部最大化值；OSLOM算法通過最優化一種社區隨機波動的統計適應度函數來發現重疊社區[47]；基于優化的重疊社區檢測算法還包括OCA算法[48]、GCE算法[49]、COCD算法[50]。③基于模糊劃分的重疊社區發現算法：Zhang等[51]提出了一種基于LDA和K-means聚類算法的檢測算法；Psorakis[52]對網絡進行非負矩陣分解后進行特征抽取并使用降維算法來挖掘社團結構；Nepusz[53]使用模擬退火算法來解決重疊社區檢測問題；Newman等[54]提出了使用概率圖模型的社區劃分方法；Airoldi等[55]從統計學角度提出了隨機分塊模型；④基于節點特性的社區檢測算法：Abrahao等[56]提出了使用中介系數來劃分社區的CONGO算法；Jiang等[57]通過使用相似度比較的方式提出了一種對抗女巫攻擊的用于大規模網絡的社團檢測方法等。有關社團檢測的詳細內容參考文獻[58-59]。

2.3 社團隱私保護研究的動機

社團劃分的主要動機是檢測網絡結構中存在的社團信息，其有助于種群發現、蛋白質組功能分析、興趣組挖掘等。社團保護的本質是社團檢測的逆工作，其研究動機主要有兩方面。

社團隱私保護（社團欺騙、社團隱藏）技術對于想要在社交網絡中隱藏的用戶（作為一個群體）是有利的。例如，網絡警察需要以便衣的身份在社交網絡中進行犯罪取證，需要有幾點保障。第一，便衣警察需要與普通的社交用戶進行正常的社交活動（即保留每位用戶參與社交活動的權利），以免引起非法用戶的察覺而銷毀罪證或逃離。第二，犯罪團伙的警覺性比普通人高，即信息、行為模式等僅在團伙內部共享。同時犯罪團伙需要不斷吸納新成員來壯大其不法組織并獲取利潤。此時，便衣警察可以趁機打入犯罪團伙的社團，即臥底形式。與現實生活中的臥底形式相似，所有便衣警察及其所在的社團需要采取一些措施，包括與目標社團成員請求建立鏈接關系，同時疏散警員之間的鏈接關系，從而取得犯罪團伙多數成員的鏈接建立請求。犯罪團伙認為某便衣警察符合其社團成員標準，即符合社團劃分的結果，則接納該警察為團伙成員，共享組織內部信息以及活動。因此，在這種情況下，警員社團是敏感的，是需要被保護的對象。綜上所述，積極的社團隱私保護技術有助于降低網絡犯罪、凈化網絡環境、保障用戶以及整個社會的安全。

與此同時，社團保護技術可能被惡意利用。例如，犯罪組織想在不被察覺的情況下采用與上述類似的社團滲透等手段滲透到各個目標社團，收集社團內的用戶個人資料以及共享的私密信息等，從而鎖定目標受害者進行敲詐、勒索、虛假信息傳播等犯罪活動。惡意的社團欺騙等方法對社會的危害極大，會降低用戶對社交網絡的信任度，引發信任危機，甚至給社會帶來巨大的負面影響。

因此，社團隱私保護技術是一把雙刃劍。已有科研人員在社團防護方面做了相關的研究工作。接下來將詳細對其中的工作進行介紹。

社團檢測與社團保護的基礎是真實的社團數據，表1展示了一些被廣泛使用的真實社交網絡數據集。

表1 相關工作所使用的社交網絡數據集

3 社交網絡中社團隱私保護方法

隨著研究人員對社團安全的關注度越來越高，他們的研究成果不斷涌現。本文將現有的社團隱私保護方法歸結為兩類主要研究思路：基于目標社團（target community）和基于全社團的社團隱私保護，本節將分別以上述兩類研究思路為切入點對各種算法的核心思想、基本技術、研究成果以及評價指標等進行綜述性研究，并對各自存在的問題和挑戰進行分析與說明。

3.1 基于目標社團的社團隱私保護

基于目標社團的隱私保護技術的研究方法主要通過刪除或增加相應數量的合適鏈路邊來擾動目標社團在網絡中的內部結構以及目標社團與外部成員的聯系程度，使目標社團盡可能地隱藏于網絡中。據此，現有的研究有幾種不同的方法：基于社團安全性優化和模塊度的社團隱藏算法[22]、基于新的社團安全性優化的社團隱藏算法[23]、基于模塊度啟發式的社團隱藏算法[24]、基于節點集模塊度的社團隱藏算法[25]以及基于模塊度和遺傳算法的社團隱藏算法[26]。

（1）基于社團安全性優化和模塊度的社團隱藏算法

緊接著，該文獻定義了社團安全性，如式(6)所示。

針對該文獻研究的不足，未來的研究途徑有：首先，考慮設計更加健全或通用的計算社團安全性的公式；其次，實驗僅考慮在社團內部刪除邊操作以及在社團之間增加新邊操作，社團內部加邊和社團之間刪除邊操作不具有現實意義，從而導致在實驗中人為排除了這兩種操作的可行性，然而在約束條件滿足之下，后兩種方案也可能產生正面影響。

（2）基于新的社團安全性優化的社團隱藏算法

該文獻沿用了文獻[22]中對于目標社團與社團外部之間安全性的定義，如式(9)所示。

綜合目標社團內部安全性和目標社團與社團外部安全性的評估方案，提出了均衡性的目標社團安全性的定義，如式(10)所示。

文獻[23]在文獻[22]的基礎上設計了新的計算社團安全的公式，排除了文獻[22]中證明部分的不利之處，然而該文獻的研究關注點仍然比較單一，如該方法只針對非重疊社團檢測技術且僅對靜態網絡結構進行研究等。

（3）基于模塊度啟發式的社團隱藏算法

圖1 社團隱藏算法Hs的流程

Figure 1 Schematic diagram of community hiding algorithmH

綜上，文獻[24]的研究突破了小型網絡變化對實驗的影響，并且對中心度測量和社區檢測算法的靈敏度分析進行了擴展；另外，文獻[24]的研究發現有助于繪制出在社交網絡中保護隱私的界限，同時揭示了在安全應用程序中使用通用的社會網絡分析工具的含義。然而該文獻仍未指明如何從鏈路預測算法的角度隱藏個體或社團間的關系或者如何通過特征向量中心來逃避檢測等。

（4）基于節點集模塊度的社團隱藏算法

文獻[25]提出的關于社團隱藏的研究時間較早，實驗中只關注于向具有高中心性值（如度中心性）的節點添加鏈路，關注點單一；此外，該文獻僅對郵件網絡進行了實驗，應在大規模網絡上進行擴展。

（5）基于模塊度和遺傳算法的社團隱藏算法

文獻[26]引入了社區檢測攻擊的問題，并通過重新連接少量邊制定有效的策略來攻擊社區檢測算法。全文提出了4種社團欺騙方法：隨機攻擊（RA）策略、社區檢測攻擊（CDA）、基于節點度的攻擊（DBA）、基于遺傳（GA）算法的模塊度（GA-based Q-attack）策略。該文獻將模塊度（modularity）和標準化互信息（normalized mutual information）作為評價指標，實驗結果表明，在考慮大多數的情況下，GA-based Q-attack的性能優于RA、CDA和DBA。

雖然GA-based Q-attack方法有一定優勢，但該方法僅以模塊度作為單優化目標，然而基于多目標優化的方法也值得深入研究。此外，通過簡化遺傳算法中適應度計算和選擇時間復雜度較低的優化算法來設計效率更高的攻擊策略也是未來的研究重點之一。

表2歸納總結了上述基于目標社團隱私保護的相關工作。由表2可知，文獻[25]僅使用了添加新的鏈路操作，未考慮刪除鏈路操作對社團隱私保護的影響；文獻[24-26]僅針對模塊度優化檢測技術進行社團隱私的保護，然而，目前還存在其他大量的檢測算法未被加以考慮，如隨機游走算法[2]或標簽傳播算法[19]等。此外，文獻[25]在進行社團隱私保護前需要獲得網絡中每一個節點的中心性值，因而相比于其他只需要目標社團節點所包含的邊的方法而言，文獻[25]所需的網絡信息更多。文獻[22-23]提出了一種有針對性的被稱為社區安全的欺騙目標函數，并通過對目標函數的優化來進行社團隱藏操作。其中，文獻[23]改進了文獻[22]的社團安全性的定義，該優化方案的突出貢獻是排除了文獻[22]中有關在社團內部增加邊和在社團之間刪除邊的操作對實驗結果的影響，即假設欺騙算法不會新增目標社團內部的鏈接和不會刪除目標社團與外部成員之間已存在的鏈路。由表2可知，現有的基于目標社團隱私保護研究工作的不足之處主要有：①研究的關注點或關注目標較為單一；②社交網絡類型不足，只關注非重疊社團的網絡；③反欺騙等真實應用問題還未深入研究等。

表2 基于目標社團中隱私保護的相關工作對比

3.2 基于全社團的社團隱私保護

其中，表示與所有的邊的集合，表示與公有的邊的集合。

Figure 2 The process of the-isomorphic algorithm

-同構算法所需要的匿名成本如式(18)所示。

文獻[27]結合-同構算法，針對現有算法在社團檢測劃分存在的不足，提出節點角色類型改進策略，并以“指針?計數”機制為原型提出基于結構相關的社團檢測方法通用處理模型BSCHEF，使社團劃分更加合理清晰。此外，文獻[27]還提出基于最大共有子圖的添加結果集的驗證環節的圖相似性檢測（MPD_V）算法，該算法可以在層次性鏈式上進行搜索，有效降低了計算的復雜度。

圖3 同構算法的流程

文獻[27]還提出兩個可行性研究方向：①研究在多角色節點和大量數據背景下的并行化方案；②研究BSCHEF和MPD_V算法在隱藏效果上抵抗攻擊的能力以及能否對算法的性能進行提升等。

（2）基于社交網絡分級隱私保護的全社團隱藏算法

圖4 分級隱私保護技術示意

Figure 4 Schematic diagram of Hierarchical privacy protection technology

此外，文獻[28]引入了文獻[60]提出的匿名化算法評價標準評估算法的效用：信息丟失率（COSTA）和平均路徑長度（APL），具體的計算方法分別如式(19)和式(20)所示。

分級匿名模型在社團匿名化過程中的信息丟失率雖然有所降低，但由圖4可知，該文獻主要依據單一的影響力等級劃分的計算結果，隱私等級的劃分條件較為薄弱，算法的可擴展性較低，未來需要結合數據的具體特征、隱私需求等因素細化等級，劃分方法。該文獻的研究結果是基于攻擊者的背景知識為節點的度，尚未考慮背景知識為子圖等情況，還需進行深入研究。

表3詳細歸納比較了上述基于全社團隱私保護思想的相關工作。文獻[27]以增邊或刪邊操作來達到個社團相互同構的目的，以此獲得社團結構被擾動后的社交網絡，從而保護社團隱私；文獻[28]提出了一種通過劃分社交網絡社團絡隱私保護等級進行針對性社團保護的分級隱私保護方法，該方案的不足之處在于劃分隱私等級時的劃分依據單一，應該考慮加入更多的劃分因素等。

表3 基于全社團中隱私保護的相關工作對比

4 結束語

由于社交網絡社團隱私保護關系到用戶信息泄露的隱患，科研人員已經著手于在社交網絡中保護社團內部信息免受社交網絡社團分析工具的挖掘攻擊。本文以社交網絡的社團為切入點，通過社區檢測算法的弊端來引出研究內容：社交網絡社團隱私保護。本文針對社團結構安全問題綜合整理了現有的關于社交網絡社團隱私保護的文獻，對文獻中所提出的核心思想、核心方法、評價指標、對照實驗等進行了較詳細的綜合性論述。目前這一領域仍有廣闊的研究前景，其潛在的研究方向有以下幾個方面。

1）跨社團隱私保護技術。真實的社交網絡中，對單個目標社團的隱私保護往往會使保護力度不夠，可能存在多社團或跨社團保護的需求。現有方法要么針對單目標社團防護，要么針對所有社團進行防護，缺乏多目標或跨目標社團防護技術。多目標社團防護技術不單單是多個單社團防護技術的組合，因為在多社團或跨社團中，擾動一條鏈路可能導致復雜多樣的結果，如有助于A社團隱藏，但會加劇B社團的暴露，使目標函數特性更加復雜，增加計算過程的復雜度。因此，高效的多社團或跨社團防護技術的研究將是重點與難點。

2）社團推斷（community inference）。社團隱私保護技術本質上是社團檢測的逆過程，社團保護的目的是混淆社團結構，達到欺騙社團檢測的目的。那么，挖掘隱藏的社團就成為新的問題，具有重要的實際應用需求。因此，社團推斷的研究迫在眉睫，其與社團檢測不同，社團推斷需要補足缺失信息，識別虛假鏈路，進而采用先進的社團劃分方法挖掘隱藏的社團。

3）動態社交網絡的社團隱私保護。當前的社團研究尤其社團隱私保護都聚焦在靜態網絡結構上，但實際的社交網絡都是動態演進的。演進過程中不斷有新的鏈路出現，舊的鏈路消失，社團檢測的結果在不斷演進，給社團隱藏的效果帶來不確定性。因此，如何設計新的社團保護機制或優化現有機制使其能夠自適應動態社交網絡，為目標社團提供動態的防護有待解決。進一步地，社團推斷是否可以自適應動態網絡進行精準推斷仍然是未解之謎。

4）多層網絡或異質信息網絡的社團隱私問題?，F實生活中的不同網絡之間具有互相依賴關系，或呈現多層網絡形態，如社交網絡的支撐網絡是因特網。更進一步，社交鏈接的定義或表征含義多樣，本質上是異質信息網絡（heterogenous information network），那么針對復雜多樣的網絡形態進行社團隱藏需要更加復雜有效的解決辦法，有待廣大科研工作者的努力奉獻。

5）基于博弈論的社團安全對抗研究。社團發現（包括社團檢測與社團推斷）與社團防護之間的對抗屬于博弈論的范疇。因此，基于博弈論的社團安全對抗研究將成為一種必需的解決方案。

6）社團隱私防護在實際系統中的應用問題。當前研究集中在已公開的社交網絡數據集上進行，離真正在實際社交網絡應用還有距離。如何系統地評估社團隱私保護技術的影響、代價、用戶與運營商的接受程度等，并付諸應用是社團研究的最終目的。

[1]Wikipedia. Complex network[EB].

[2]XUAN Q, ZHANG Z Y, FU C, et al. social Synchrony on complex networks[J]. IEEE Transactions on Cybernetics, 2018, 48(5): 1420-1431.

[3]XUAN Q, FANG H, FU C, et al. Temporal motifs reveal collaboration patterns in online task-oriented networks[J]. Physical Review E, 2015, 91(5): 052813.

[4]GARCIA J O, ASHOURVAN A, MULDOON S, et al. Applications of community detection techniques to brain graphs: algorithmic considerations and implications for neural function[J]. Proceedings of the IEEE Institute of Electrical and Electronics Engineers, 2018, 106(5):1-22.

[5]CHEN Z, WU J, XIA Y, et al. Robustness of interdependent power grids and communication networks: a complex network perspective[J]. IEEE Transactions on Circuits & Systems Ⅱ Express Briefs, 2018, 65(1): 115-119.

[6]SCHIAVO S, REYES J, FAGIOLO G. International trade and financial integration: a weighted network analysis[J]. Quantitative Finance, 2010, 10(4): 389-399.

[7]FU C, ZHAO M, FAN L, et al. Link weight prediction using supervised learning methods and its application to yelp layered network[J]. IEEE Transactions on Knowledge & Data Engineering, 2018, 30(8): 1507-1518.

[8]CLAUSET A, MOORE C, NEWMAN M E. Hierarchical structure and the prediction of missing links in networks[J]. Nature, 2008, 453(7191): 98-101.

[9]KIPF T N, WELLING M. Semi-supervised classification with graph convolutional networks[C]//ICLR. 2016.

[10]ZHANG H F, XU F, BAO Z K, et al. Reconstructing of networks with binary-state dynamics via generalized statistical inference[J]. Circuits & Systems I Regular Papers IEEE Transactions, 2019, 66(4): 1608-1619.

[11]王永剛，蔡飛志，LUA E K，等. 一種社交網絡虛假信息傳播控制方法[J]. 計算機研究與發展, 2012, 49(S2): 131-137.

WANG Y G, CAI F Z, LUA E K, et al. A diffusion control method of fake information in social networks[J]. Journal of Computer Research and Development, 2012, 49(S2): 131-137.

[12]ZHENG J G, PAN L. Least cost rumor community blocking optimization in social networks[C]//2018 Third International Conference on Security of Smart Cities, Industrial Control System and Communications (SSIC). 2018: 1-5.

[13]SPIRIN V, MIRNY L A. Protein complexes and functional modules in molecular networks[J]. Proceedings of the National Academy of Sciences, 2003, 100(21): 12123-12128.

[14]GOH K I, CUSICK M E, VALLE D, et al. The human disease network[J]. Proceedings of the National Academy of Sciences, 2007, 104(21): 8685-8690.

[15]NEWMAN M E. The Structure and function of complex networks[J]. SIAM Review, 2003, 45(2): 167-256.

[16]GIRVAN M, NEWMAN M E. Community structure in social and biological networks[J]. Proceedings of the National Academy of Sciences of the United States of America, 2002, 99(12): 7821-7826.

[17]NEWMAN M E, GIRVAN M. Finding and evaluating community structure in networks[J]. Physical Review E, 2004, 69(2): 026113.

[18]PALLA G, DERENYI I, FARKAS I, et al. Uncovering the overlapping community structure of complex networks in nature and society[J]. Nature, 2005, 435(23): 814-818.

[19]RAGHAVAN U N, ALBERT R, KUMARA S. Near linear time algorithm to detect community structures in large-scale networks[J]. Physical Review E, 2007, 76(3): 036106.

[20]RHEINGOLD H. The virtual community: homesteading on the electric frontier[M]. New York: Harper Perennial, 1993.

[21]姚瑞欣, 李暉, 曹進. 社交網絡中的隱私保護研究綜述[J]. 網絡與信息安全學報, 2016, 2(4): 33-43.

YAO R X, LI H, CAO J. Overview of privacy preserving in social network[J]. Chinese Journal of Network and Information Security. 2016, 2(4): 33-43.

[22]FIONDA V, PIRRO G. Community deception or: how to stop fearing community detection algorithms[J]. IEEE Transactions on Knowledge & Data Engineering, 2018, 30(4): 660-673.

[23]CHEN X Y, JIANG Z Y, LI H, et al. Community hiding by link rewiring in social networks[J]. IEEE Transactions on Big Data, 2020.

[24]WANIEK M, MICHALAK T, RAHWAN T, et al. Hiding individuals and communities in a social network[J]. Nature Human Behaviour, 2018, 2: 139-147.

[25]NAGARAJA S. The impact of unlinkability on adversarial community detection: effects and countermeasures[C]//Privacy Enhancing Technologies, International Symposium. 2010: 253-272.

[26]CHEN J Y, CHEN L H, CHEN Y X, et al. GA-based q-attack on community detection[J]. IEEE Transactions on Computational Social Systems. 2019, 6(3): 491-503.

[27]榮歡. 社會網絡中社團K-匿名研究[D]. 南京：南京信息工程大學, 2016.

RONG H. The study of community K-anonymization in social network[D]. Nanjing: Nanjing University of Information Science & Technology, 2016.

[28]陸越. 基于社團劃分的社交網絡分級隱私保護算法研究[D]. 上海：上海交通大學, 2018.

LU Y. Hierarchical privacy protection algorithm for social network based on community division[D]. Shanghai: Shanghai Jiao Tong University, 2018.

[29]FORTUNATO S. Community detection in graphs[J]. Physics Reports, 2010, 486(3-5): 75-174.

[30]楊博, 劉大有, 金弟, 等. 復雜網絡聚類方法[J]. 軟件學報，2009, 20(1): 54-66.

YANG B, LIU D Y, JIN D, et al. Complex network clustering algorithms[J]. Journal of Software, 2009, 20(1): 54-66.

[31]NEWMAN M E. Modularity and community structure in networks[J]. Proceedings of the National Academy of Sciences of the United States of America, 2006, 103(23): 8577-8582.

[32]NEWMAN M E. Fast algorithm for detecting community structure in networks[J]. Physical Review E, 2003, 69: 066133.

[33]CLAUSET A, NEWMAN M E, MOORE C. Finding community structure in very large networks[J]. Physical Review E, 2004, 70: 066111.

[34]LI Z P, ZHANG S H, WANG R S, et al. Quantitative function for community detection[J]. Physical Review E, Statistical Nonlinear & Soft Matter Physics, 2008, 77: 036109.

[35]ROSVALL M, BERGSTROM C T. An information-theoretic framework for resolving community structure in complex networks[J]. Proceedings of the National Academy of Sciences, 2007, 104(18): 7327-7331.

[36]ROSVALL M, BERGSTROM C T. Maps of random walks on complex networks reveal community structure[J]. Proceedings of the National Academy of Sciences, 2008, 105(4): 1118-1123.

[37]BLONDEL V D, GUILLAUME J L, LAMBIOTTE R, et al. Fast unfolding of communities in large networks[J]. Journal of Statistical Mechanics Theory & Experiment, 2008(10): 10008.

[38]SHI C, YAN Z, WANG Y, et al. A genetic algorithm for detection communities in larger-scale complex networks[J]. Advances in Complex Systems, 2010, 13(1): 3-17.

[39]DONGEN S M. Graph clustering by flow simulation[D]//University of Utrecht, The Netherlands, (CWI). 2000: 238-247.

[40]尹欣紅. 基于連接模式的相關分析及帶偏置的隨機游走的社團檢測方法研究[D]. 蘭州：蘭州大學, 2019.

YIN X H. Research on correlation analysis based on link pattern and community detection method with random walk with bias[D]. Lanzhou: Lanzhou University, 2019.

[41]YUAN Y L, SOH D, YANG H, et al. Learning overlapping community-based networks[J]. IEEE Transactions on Signal and Information Processing over Networks, 2019, 5(4): 684-697.

[42]YANG J, LESKOVEC J. Overlapping community detection at scale: a nonnegative matrix factorization approach[C]//Proceedings of the Sixth ACM International Conference on Web Search and Data Mining. 2013: 587-596.

[43]AHN Y Y, HAN S, KWAK H,et al. Analysis of topological characteristics of huge online social networking services[C]//International Conference on World Wide Web. ACM, 2007: 835-844.

[44]KIM Y, JEONG H. Map equation for link communities[J]. Physical Review E, 2011, 84(2): 026110.

[45]YE Q, WU B, ZHAO Z, et alDetecting link communities in massive networks[C]//International Conference on Advances in Social Networks Analysis & Mining. IEEE Computer Society, 2011: 71-78.

[46]LANCICHINETTI A, FORTUNATO S, JANOS K. Detecting the overlapping and hierarchical community structure in complex networks[J]. New Journal of Physics, 2009, 11(3): 033015.

[47]ANDREA L, FILIPPO R, RAMASCO J J, et al. Finding statistically significant communities in networks[J]. Plos One, 2011, 6(4): 18961.

[48]PADROL S A, PERARNAU L G, PFEIFLE J, et alOverlapping community search for social networks[C]//IEEE International Conference on Data Engineering. 2010: 992-995.

[49]LEE C, REID F, MCDAID A, et al. Detecting highly overlapping community structure by greedy clique expansion[J]. arXiv: 1002.1827, 2010.

[50]DU N, WANG B, WU B. Detecting highly overlapping community structure by greedy clique expansion[C]//Proceedings of the 17th ACM Conference on Information and Knowledge Management. 2008: 1371-1372.

[51]ZHANG H, QIU B, GILES C L, et al. An LDA-based community structure discovery approach for large-scale social networks[C]//IEEE International Conference on Intelligence & Security Informatics. 2007: 200-207.

[52]PSORAKIS I, ROBERTS S, EBDEN M,et al. Overlapping community detection using Bayesian non-negative matrix factorization[J]. Physical Review E, 2011, 83(6): 066114.

[53]NEPUSZ T, PETROCZI A, NEGYESSY L, et al. Fuzzy communities and the concept of bridgeness in complex networks[J]. Physical Review E, 2008, 77(1): 016107.

[54]NEWMAN M E, LEICHT E A. Mixture models and exploratory analysis in networks[J]. Proceedings of the National Academy of ences of the United States of America, 2007, 104(23): 9564-9569.

[55]AIROLDI E M, BLEI D M, FIENBERG S E, et al. Mixed membership stochastic blockmodels[J]. Journal of Machine Learning Research, 2008, 9(3):33-40.

[56]ABRAHAO B, SOUNDARAJAN S, HOPCROFT J, et al. A separability framework for analyzing community structure[J]. ACM Transactions on Knowledge Discovery from Data, 2014, 8(1): 101-129.

[57]JIANG Z Y, LI J, MA J F. Similarity-based and sybil attack defended community detection for social networks[J]. IEEE Transactions on Circuits and Systems Ⅱ: Express Briefs, 2020.

[58]李歡, 莫欣岳. 復雜網絡重疊社團檢測算法研究綜述[J]. 傳感器與微系統, 2017, 36(1): 1-4.

LI H, MO X Y. Research review on detection algorithm of overlapping community in complex network[J]. Transducer and Microsystem Technologies, 2017, 36(1): 1-4.

[59]于樂. 社會網絡中社團發現及網絡演化分析[D]. 北京：北京郵電大學, 2014.

YU L. Research on community detection and evolution analysis in social network[D]. Beijing: Beijing University of Posts and Telecommunications, 2014.

[60]LU K, TERZI E. Towards identity anonymization on graphs[C]// Proceedings of the 2008 ACM SIGMOD, International Conference on Management of Data ACM. 2008: 93-106.

Survey of community privacy in social network

JIANG Zhongyuan, CHEN Xianyu, MA Jianfeng

School of Cyber Engineering, Xidian University, Xi'an 710000, China

Community is an important feature of social network and the development of community detection technology brings the danger of privacy disclosure to network users. How to protect sensitive community information from being leaked and ensure the security of users and communities has become a research hotspot in the field of network security. In recent years, community privacy protection technology has made initial progress, but there is a few survey on the research of community privacy or community security in social networks, and it may limit the potential and long-term development of this research topic. The research on the privacy of community structure was mainly reviewed and the related works on community security were classified, summarized, compared. The hot issues of community security in the future were proposed.

social network, community detection, community privacy, community safety, community hiding

TP309

A

10.11959/j.issn.2096?109x.2021021

2020?04?11；

2020?08?02

陳賢宇，xychen_3@stu.xidian.edu.cn

國家自然科學基金（61502375）；陜西省自然科學基礎研究計劃（2020JM-203）；中央高效基本科研業務費項目（10223196150）

The National Natural Science Foundation of China(61502375), The Natural Science Basis Research Plan in Shaanxi Province of China (2020JM-203), The Fundamental Research Funds for the Central Universities (10223196150)

蔣忠元, 陳賢宇, 馬建峰. 社交網絡中的社團隱私研究綜述[J]. 網絡與信息安全學報, 2021, 7(2): 10-21.

JIANG Z Y, CHEN X Y, MA J F. Survey of community privacy in social network[J]. Chinese Journal of Network and Information Security, 2021, 7(2): 10-21.

蔣忠元（1988? ），男，陜西榆林人，博士，西安電子科技大學副教授，主要研究方向為大數據安全、復雜網絡安全研究、復雜網絡傳輸動力學、網絡功能虛擬化、城市計算。

陳賢宇（1996? ），男，安徽六安人，西安電子科技大學碩士生，主要研究方向為社交網絡隱私與保護、社團檢測。

馬建峰（1963? ），男，陜西西安人，博士，西安電子科技大學教授、博士生導師、主要研究方向為應用密碼學、無線網絡安全、數據安全、移動智能系統安全。