科研之友
微信
新浪微博
Facebook
分享链接
摘要
由于权重社交网络的复杂性和噪声随机性，传统的隐私保护方法无法兼顾社交网络中的隐私和效用需求。针对此问题，融合直方图统计和非交互式差分隐私查询模型，提出社交网络边权重直方图统计发布方法。该方法将边权重统计直方图作为查询结果，并设计低敏感度的边权重拉普拉斯噪声随机扰动算法，实现社交关系的差分隐私保护。为减少噪声量，引入社区结构熵将社交网络的用户节点划分为若干子社区，提出随机扰动改进算法，以社区为单位划分社交关系并注入拉普拉斯噪声，使各个社区序列满足差分隐私，实现从社区层面保护社交关系。此外，利用一维结构熵的特性，衡量算法对权重社交网络的整体隐私保护程度。理论分析和实验结果表明：所提出的隐私保护算法对节点度识别的保护程度均高于对比算法，能够实现更好的隐私保护效果，同时，在大型社交网络中能够满足差分隐私要求，且保持较高的社交网络数据效用。
- 单位
