CN111159768A - 社交网络链接隐私保护效果的评价方法 - Google Patents
社交网络链接隐私保护效果的评价方法 Download PDFInfo
- Publication number
- CN111159768A CN111159768A CN201911416033.3A CN201911416033A CN111159768A CN 111159768 A CN111159768 A CN 111159768A CN 201911416033 A CN201911416033 A CN 201911416033A CN 111159768 A CN111159768 A CN 111159768A
- Authority
- CN
- China
- Prior art keywords
- node
- similarity
- privacy protection
- connection
- protection effect
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 11
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000007477 logistic regression Methods 0.000 claims description 20
- 238000013468 resource allocation Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 3
- 238000011524 similarity measure Methods 0.000 description 5
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
- G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Landscapes
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Bioethics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Computer Security & Cryptography (AREA)
- Computer Hardware Design (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开一种社交网络链接隐私保护效果的评价方法,首先对社交网络隐私保护发布图通过基于逻辑回归算法的链路预测计算所有未连接节点对的连接概率。将连接概率大于阈值的节点对对应的边形成预测链接;确定预测链接数量L和预测准确链接的数量Lr。用预测准确链接的数量Lr占所有预测链接数量L的比例作为预测精度,将预测精度作为评价链接隐私保护方法的实际保护效果的评价指标。预测精度越低,说明社交网络链接隐私保护效果越好,反之,社交网络链接隐私保护效果越差。
Description
技术领域
本发明涉及社交网络隐私保护技术领域,具体涉及一种社交网络链接隐私保护效果的评价方法。
背景技术
社交网络在市场营销、心理学、流行病学和国土安全等应用领域具有重要意义。许多社交网络的应用,由于关系的敏感性,需要保护边的隐私。比如某个人得了艾滋病,那他就不想让别人知道他和艾滋病医生的医患关系,因为一旦别人知道了这种关系,他得艾滋病的隐私信息就会被知道。
目前社交网络链接隐私的保护方法主要包括随机化和差分隐私方法。随机化方法数据发布者随机删除真实边,并在原始网络中***假边,以保护敏感边不被识别。差分隐私方法使得攻击者难以确定某一条边是否存在于网络中,同时允许保留重要的网络结构信息,用于重要的数据分析任务。
假设攻击者已经知道了保护链接隐私的发布图中目标节点的身份,但是不知道目标节点间是否存在敏感关系,如果攻击者能够从发布图的信息中推断出目标节点间敏感边的存在,就会造成目标节点的隐私泄露。所以数据发布者需要评价采用的链接隐私保护方法的实际保护效果,以便更好的保护敏感关系。
发明内容
本发明提供一种社交网络链接隐私保护效果的评价方法,其能够评价采用的链接隐私保护方法的实际保护效果,以便更好的保护敏感关系。
为解决上述问题,本发明是通过以下技术方案实现的:
一种社交网络链接隐私保护效果的评价方法,包括步骤如下:
步骤1:对于经过隐私保护所得到的社交网络发布图的每个节点k,将该节点k、节点k的直接邻居节点、节点k与其直接邻居节点之间的边形成局部网络Mk;
步骤2、针对每个局部网络Mk训练对应的逻辑回归模型,并利用训练好的逻辑回归模型LRk来预测这个局部网络Mk中未连接节点对的连接概率;即:对于每个局部网络Mk,分别执行以下步骤:
步骤2.2、将局部网络Mk中所有节点对作为训练集,并利用所有节点对的共同邻居相似度资源分配相似度优先连接相似度以及连接情况去训练逻辑回归模型,从而得到训练好的逻辑回归模型LRk;其中节点vi和vj连接时,节点vi和vj未连接时,
步骤3、当同一未连接节点对存在于不同的局部网络时,通过比较该未连接节点对在不同局部网络中的连接概率,并选择其中最大的连接概率作为该未连接节点对最终的连接概率;
步骤4、将连接概率大于预设概率阈值的未连接节点对所对应的边作为预测链接,并统计预测链接的数量L;
步骤5、统计预测链接即未连接节点对的边出现在未经过隐私保护的社交网络原图的数量Lr;
步骤6、将准确预测链接的数量Lr与所有预测链接的数量L的比值作为隐私保护方法的实际保护效果的评价指标,即当该比值越大时,隐私保护方法的实际保护效果效果越差,反之,则隐私保护方法的实际保护效果的效果越好。
与现有技术相比,本发明针对社交网络的敏感关系的隐私保护方法,采用一种结合多个结构相似性度量的链路预测方法来预测社交网络隐私保护图,通过链路预测方法的预测精度评价链接隐私保护效果。
附图说明
图1为社交网络链接隐私保护效果评价方法的原理图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实例,对本发明进一步详细说明。
参见图1,一种社交网络链接隐私保护效果的评价方法,其具体包括步骤如下:
步骤1:对于经过隐私保护的社交网络发布图的任意节点k,将节点k为中心,该节点k的直接邻居节点,节点k及直接邻居节点间的边形成局部网络Mk。其中k=1,2,…,K,K为社交网络中节点的个数,即社交网络中每个节点都要形成局部网络。节点的直接邻居是指与节点直接相连的节点。
步骤2:针对每个局部网络Mk训练对应的逻辑回归模型,并利用训练好的逻辑回归模型LRk来预测这个局部网络Mk中未连接节点对的连接概率;即:对于每个局部网络Mk,分别执行以下步骤:
式中,Γ(vi)表示节点vi的邻居集,Γ(vj)表示节点vj的邻居集,Γ(vi)∩Γ(vj)表示节点vi和vj的共同邻居集,|Γ(vi)∩Γ(vj)|表示节点vi和vj的共同邻居的数量即度数。
式中,|Γ(vi)|表示节点vi的度数,|Γ(vj)|表示节点vj的度数,|Γ(vi)|·|Γ(vj)|表示节点vi和vj的度数的乘积。
步骤2.2:将局部网络Mk中所有节点对作为训练集,用步骤2.1计算出的训练集的节点对(vi,vj)的3个相似度和对应的连接情况其中连接情况表示连接,表示未连接,训练逻辑回归函数模型,从而确定逻辑回归函数模型的参数β0和βl,l=1,2,3,进而得到局部网络Mk的逻辑回归模型。逻辑回归函数如下所示:
步骤2.3:将局部网络Mk中未连接节点对(即不相连的节点对)作为测试集,利用步骤2.2确定的逻辑回归函数模型和3种相似性度量方法预测局部网络Mk中的不相连的节点对(vi,vj)的连接概率逻辑回归函数如下所示:
步骤3:由于同一不相连节点对(vi,vj)会出现在不同局部网络中,得到不同的连接概率,比较同一节点对在不同局部网络中的连接概率,较大者为最终连接概率最终得到整个网络所有不相连节点对的连接概率。计算公式如下:
步骤4:将连接概率大于预设概率阈值(50%)的未连接节点对所对应的边作为预测链接,并统计预测链接的数量L;
步骤5:统计预测链接在未经过隐私保护的社交网络原图存在的数量Lr,即当预测链接存在于社交网络原图中时,Lr的计数加1,否则Lr的计数不变。
步骤6:用准确预测链接的数量Lr占所有预测链接数量L的比例作为预测精度,将预测精度作为评价链接隐私保护方法的实际保护效果的评价指标。预测精度越低,说明社交网络链接隐私保护效果越好。预测精度越高,说明社交网络链接隐私保护效果越差。
本发明面向社交网络的敏感关系的隐私保护方法,提供了一种评价链接隐私保护方法的实际保护效果策略。首先对社交网络隐私保护发布图通过基于逻辑回归算法的链路预测计算所有未连接节点对的连接概率。将连接概率大于50%的节点对对应的边形成预测链接;确定预测链接数量L和预测准确链接的数量Lr。用预测准确链接的数量Lr占所有预测链接数量L的比例作为预测精度,将预测精度作为评价链接隐私保护方法的实际保护效果的评价指标。预测精度越低,说明社交网络链接隐私保护效果越好,反之,社交网络链接隐私保护效果越差。
需要说明的是,尽管以上本发明所述的实施例是说明性的,但这并非是对本发明的限制,因此本发明并不局限于上述具体实施方式中。在不脱离本发明原理的情况下,凡是本领域技术人员在本发明的启示下获得的其它实施方式,均视为在本发明的保护之内。
Claims (4)
1.社交网络链接隐私保护效果的评价方法,其特征是,包括步骤如下:
步骤1、对于经过隐私保护所得到的社交网络发布图的每个节点,将该节点、该节点的直接邻居节点、该节点与其直接邻居节点之间的边形成局部网络;
步骤2、针对每个局部网络训练对应的逻辑回归模型,并利用训练好的逻辑回归模型来预测局部网络中未连接节点对的连接概率;即:对于每个局部网络,分别执行以下步骤:
步骤2.1、计算局部网络中每个节点对的共同邻居相似度、资源分配相似度和优先连接相似度;
步骤2.2、将局部网络中所有节点对作为训练集,并利用所有节点对的共同邻居相似度、资源分配相似度、优先连接相似度、以及连接情况去训练逻辑回归模型,从而得到训练好的逻辑回归模型;
步骤2.3、将局部网络中未连接节点对作为测试集,并将未连接节点的共同邻居相似度、资源分配相似度和优先连接相似度输入训练好的逻辑回归模型,得到未连接节点对的连接概率;
步骤3、当同一未连接节点对存在于不同的局部网络时,比较该未连接节点对在不同局部网络中的连接概率,并选择其中最大的连接概率作为该未连接节点对最终的连接概率;
步骤4、将连接概率大于预设概率阈值的未连接节点对所对应的边作为预测链接,并统计预测链接的数量L;
步骤5、统计预测链接出现在未经过隐私保护的社交网络原图的数量Lr;
3.根据权利要求1所述的社交网络链接隐私保护效果的评价方法,其特征是,步骤2.2中,当节点对的2个节点连接时,连接情况置为1;当节点对的2个节点连接时,连接情况置为0。
4.根据权利要求1所述的社交网络链接隐私保护效果的评价方法,其特征是,步骤4中,预设概率阈值介于50%~70%之间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911416033.3A CN111159768B (zh) | 2019-12-31 | 2019-12-31 | 社交网络链接隐私保护效果的评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911416033.3A CN111159768B (zh) | 2019-12-31 | 2019-12-31 | 社交网络链接隐私保护效果的评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111159768A true CN111159768A (zh) | 2020-05-15 |
CN111159768B CN111159768B (zh) | 2022-04-08 |
Family
ID=70560180
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911416033.3A Active CN111159768B (zh) | 2019-12-31 | 2019-12-31 | 社交网络链接隐私保护效果的评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111159768B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112199728A (zh) * | 2020-11-04 | 2021-01-08 | 同济大学 | 一种针对社交网络关系预测的隐私保护方法 |
CN113205427A (zh) * | 2021-06-07 | 2021-08-03 | 广西师范大学 | 社交网络的下一个兴趣点的推荐方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103218397A (zh) * | 2013-03-12 | 2013-07-24 | 浙江大学 | 一种基于无向图修改的社交网络隐私保护方法 |
US8744988B1 (en) * | 2011-07-15 | 2014-06-03 | Google Inc. | Predicting user navigation events in an internet browser |
CN106372743A (zh) * | 2016-08-23 | 2017-02-01 | 浙江工业大学 | 一种基于二阶局部社团和共同邻居比例信息的预测网络未知连边的方法 |
CN106817251A (zh) * | 2016-12-23 | 2017-06-09 | 烟台中科网络技术研究所 | 一种基于节点相似度的链路预测方法及装置 |
CN106980795A (zh) * | 2017-02-28 | 2017-07-25 | 广西师范大学 | 社会网络数据隐私保护方法 |
CN108428006A (zh) * | 2017-10-25 | 2018-08-21 | 同济大学 | 一种基于共同邻居节点和社团结构的互联网链路预测方法 |
CN108449209A (zh) * | 2018-03-17 | 2018-08-24 | 北京工业大学 | 基于路径信息和节点信息融合的社交网络好友推荐方法 |
CN108900409A (zh) * | 2018-06-22 | 2018-11-27 | 郑州大学 | 基于传播路径隐私泄露风险的社交网络信任度计算方法 |
CN109063836A (zh) * | 2018-06-28 | 2018-12-21 | 浙江工业大学 | 一种基于进化扰动的隐私链路保护方法 |
CN109962813A (zh) * | 2019-03-22 | 2019-07-02 | 西安电子科技大学 | 一种用于网络结构隐私保护的网络结构生成方法 |
-
2019
- 2019-12-31 CN CN201911416033.3A patent/CN111159768B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8744988B1 (en) * | 2011-07-15 | 2014-06-03 | Google Inc. | Predicting user navigation events in an internet browser |
CN103218397A (zh) * | 2013-03-12 | 2013-07-24 | 浙江大学 | 一种基于无向图修改的社交网络隐私保护方法 |
CN106372743A (zh) * | 2016-08-23 | 2017-02-01 | 浙江工业大学 | 一种基于二阶局部社团和共同邻居比例信息的预测网络未知连边的方法 |
CN106817251A (zh) * | 2016-12-23 | 2017-06-09 | 烟台中科网络技术研究所 | 一种基于节点相似度的链路预测方法及装置 |
CN106980795A (zh) * | 2017-02-28 | 2017-07-25 | 广西师范大学 | 社会网络数据隐私保护方法 |
CN108428006A (zh) * | 2017-10-25 | 2018-08-21 | 同济大学 | 一种基于共同邻居节点和社团结构的互联网链路预测方法 |
CN108449209A (zh) * | 2018-03-17 | 2018-08-24 | 北京工业大学 | 基于路径信息和节点信息融合的社交网络好友推荐方法 |
CN108900409A (zh) * | 2018-06-22 | 2018-11-27 | 郑州大学 | 基于传播路径隐私泄露风险的社交网络信任度计算方法 |
CN109063836A (zh) * | 2018-06-28 | 2018-12-21 | 浙江工业大学 | 一种基于进化扰动的隐私链路保护方法 |
CN109962813A (zh) * | 2019-03-22 | 2019-07-02 | 西安电子科技大学 | 一种用于网络结构隐私保护的网络结构生成方法 |
Non-Patent Citations (3)
Title |
---|
KRZYSZTOF JUSZCZYSZYN 等: "Link Prediction Based on Subgraph Evolution in Dynamic Social Networks", 《2011 IEEE INTERNATIONAL CONFERENCE ON PRIVACY, SECURITY, RISK, AND TRUST, AND IEEE INTERNATIONAL CONFERENCE ON SOCIAL COMPUTING》 * |
夏秀峰 等: "面向时空特性的社会网络敏感关系隐私保护", 《计算机工程与设计》 * |
赵银凤: "基于种子节点选择和链路预测的多标签分类算法研究", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112199728A (zh) * | 2020-11-04 | 2021-01-08 | 同济大学 | 一种针对社交网络关系预测的隐私保护方法 |
CN113205427A (zh) * | 2021-06-07 | 2021-08-03 | 广西师范大学 | 社交网络的下一个兴趣点的推荐方法 |
CN113205427B (zh) * | 2021-06-07 | 2022-09-16 | 广西师范大学 | 社交网络的下一个兴趣点的推荐方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111159768B (zh) | 2022-04-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | On credibility estimation tradeoffs in assured social sensing | |
Taha et al. | SIIMCO: A forensic investigation tool for identifying the influential members of a criminal organization | |
CN110334264B (zh) | 一种针对异构动态信息网络的社区检测方法及装置 | |
Gao et al. | A k-core decomposition-based opinion leaders identifying method and clustering-based consensus model for large-scale group decision making | |
CN111428323A (zh) | 复杂网络中利用广义折扣度与k-shell识别一组关键节点的方法 | |
CN111159768B (zh) | 社交网络链接隐私保护效果的评价方法 | |
Xu et al. | Trust propagation and trust network evaluation in social networks based on uncertainty theory | |
CN107623924A (zh) | 一种验证影响关键质量指标kqi相关的关键性能指标kpi的方法和装置 | |
Khlobystova et al. | Soft estimates for social engineering attack propagation probabilities depending on interaction rates among instagram users | |
Udhaya Sankar et al. | Fuzzy ELECTRE multi-criteria decision-making technique for achieving reliable data dissemination in MANETs | |
Jeyasudha et al. | An intelligent centrality measures for influential node detection in COVID-19 environment | |
Wang et al. | [Retracted] Overlapping Community Detection Based on Node Importance and Adjacency Information | |
WO2019098584A1 (ko) | 사물 인터넷 환경에서 낯선 기기에 대한 사용자 신뢰도 계산 시스템 및 방법 | |
CN115600642A (zh) | 一种面向流媒体基于邻居信任聚合的去中心化联邦学习方法 | |
Cai et al. | An efficient trust inference algorithm with local weighted centrality for social recommendation | |
Shirafkan et al. | An autonomous intrusion detection system for the RPL protocol | |
Silva et al. | Characterizing knowledge-transfer relationships in dynamic attributed networks | |
Krishnamurthy et al. | Segregation in social networks: Markov bridge models and estimation | |
CN112070315A (zh) | 一种基于中心性测量的恐怖袭击网络分析与事件预测方法 | |
CN117633478B (zh) | 基于GNNs社交媒体挖掘的公平性后门评估方法及*** | |
CN111859164A (zh) | 基于局部结构的微博网络重要节点发现方法、装置及介质 | |
CN111563874A (zh) | 骨龄评测方法和装置 | |
Ren et al. | A Large-Scale Group Decision Making Model Based on Trust Relationship and Social Network Updating. | |
CN113807600B (zh) | 一种动态社交网络中的链路预测方法 | |
Zhang et al. | Community detection based on structural balance in signed networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |