论文部分内容阅读
社会网络是社会个体成员之间因为互动而形成的相对稳定的关系体系。电话呼叫网络、电子邮件发送网络、科学家合作网络、社交网站形成的在线社会网络等都属于典型的社会网络。随着信息技术的高速发展和Web2.0应用的广泛普及,大量的社交网站被建立和使用。人们越来越热衷于对社会网络进行研究,社交网站积累的海量数据也为社会网络分析提供一个好的平台和数据支持。值得注意的是,社会网络中大部分信息与个人生活密切相关,其中很多涉及到个人的敏感信息,例如,个人的疾病信息、个人收入、婚姻状况等,这些敏感信息被不法分子掌握容易做一些违法行为。于是,人们越来越关注自己的敏感信息在社会网络中是否得到有效保护。各科研机构和众多研究学者越来越重视社会网络的隐私保护。基于进行发布的社会网络数据的隐私保护已经成为科研热点。 传统的关系数据发布的隐私保护已经得到广泛研究,这种隐私保护主要保护表格数据中元组的敏感属性,元组之间没有联系。社会网络数据的隐私保护操作的是图数据,由于社会网络的敏感信息与攻击者的背景知识更多元化,关系数据的隐私保护方法不能直接适用于社会网络数据的隐私保护。 本文研究社会网络数据的隐私保护方法,主要研究工作和成果如下: (1)社会网络的节点敏感属性保护 本文提出了图l-diversity规则,满足该规则的匿名图可以抵御针对节点敏感属性的概率攻击;设计了节点敏感保护的五钟算法:Partition算法、AdjustGroup算法、RedirectEdges算法、AssignResidue算法、图l-diversity算法,其中,Partition算法用于节点分组,AdjustGroup算法使组内节点度数一致,RedirectEdges算法通过重定向边操作降低匿名代价,AssignResidue算法用于处理剩余的特殊节点组,图l-diversity算法使用以上四种算法完成数据的匿名;基于两个数据集进行实验,与其它匿名方法比较了算法程序的执行时间、匿名图的平均路径长度和聚类系数。 (2)社会网络的敏感边保护 针对社会网络的敏感边保护,把节点度数纳入攻击者的背景知识;提出了敏感安全性条件的规则,并证明该规则可以有效保护社会网络的敏感边;设计了敏感边保护的三种算法:SNP算法、NNT算法和NEA算法,其中,SNP算法用于敏感节点分组,NNT算法处理节点数小于k的节点组,NEA算法通过添加非敏感边使组内节点度数一致;基于两个数据集进行实验,计算了算法程序的执行时间、匿名图的平均路径长度、匿名图的聚类系数、聚合网络1跳查询和2跳查询的错误率。 (3)社会网络数据多次发布的边保护 针对社会网络数据多次发布的边保护,考虑社会网络演化过程中节点删除和边删除的情况;提出了动态安全性条件的规则,并证明在数据多次发布的背景下,该规则可以有效保护社会网络的边;设计了动态边保护的DEP算法;基于两个动态数据集进行实验,计算了算法程序的执行时间、聚合网络1跳查询和2跳查询的错误率。