基于社交网络的用户建模、信息推荐等研究近年来得到快速发展,但社交网络中包含大量的个人敏感信息,直接发布此类数据会严重危害个人隐私,因此,在数据发布前进行有效的隐私保护处理具有重要的研究价值和现实意义。基于马尔科夫链蒙特卡...基于社交网络的用户建模、信息推荐等研究近年来得到快速发展,但社交网络中包含大量的个人敏感信息,直接发布此类数据会严重危害个人隐私,因此,在数据发布前进行有效的隐私保护处理具有重要的研究价值和现实意义。基于马尔科夫链蒙特卡洛(Markov Chain Monte Carlo,MCMC)算法,提出了保护数据免受关系推断攻击的隐私保护数据发布方法 DP2G_(sister)和multiR_DP2G_(sister)。DP2G_(sister)首先利用满足差分隐私约束的MCMC算法对原始社交网络图进行采样,进而计算采样结果的连接概率,最终生成重构的具有隐私保证的社交网络发布图。扩展该方法得到的multiR_DP2G_(sister)适用于增量数据发布中的隐私保护。在两个真实的社交网络数据集上进行的实验结果表明,提出的方法能够兼顾数据可用性与隐私性,且在增量数据发布的隐私保护中也能显示出良好的效果。展开更多
文摘基于社交网络的用户建模、信息推荐等研究近年来得到快速发展,但社交网络中包含大量的个人敏感信息,直接发布此类数据会严重危害个人隐私,因此,在数据发布前进行有效的隐私保护处理具有重要的研究价值和现实意义。基于马尔科夫链蒙特卡洛(Markov Chain Monte Carlo,MCMC)算法,提出了保护数据免受关系推断攻击的隐私保护数据发布方法 DP2G_(sister)和multiR_DP2G_(sister)。DP2G_(sister)首先利用满足差分隐私约束的MCMC算法对原始社交网络图进行采样,进而计算采样结果的连接概率,最终生成重构的具有隐私保证的社交网络发布图。扩展该方法得到的multiR_DP2G_(sister)适用于增量数据发布中的隐私保护。在两个真实的社交网络数据集上进行的实验结果表明,提出的方法能够兼顾数据可用性与隐私性,且在增量数据发布的隐私保护中也能显示出良好的效果。
