基于敏感关系的社会网络隐私保护方法

针对含敏感关系的社会网络中用户隐私信息泄露的问题,结合攻击者基于背景知识的多种类型攻击,提出一种(k2,l)-匿名模型,并分别通过基于动态规划和贪心算法的度序列匿名算法实现(k2,l)-匿名模型。该模型可同时抵御社会网络中敏感关系识别攻击、节点度攻击和朋友连接攻击。在数据集上进行仿真实验,通过分析对比实现(k2,l)-匿名模型的两种算法,分析对比结果表明了(k2,l)-匿名模型具有较高的匿名质量和较低的信息损失,能有效地保护含敏感关系社会网络中用户的隐私信息。

基于隐私决策度的改进k-匿名算法

现有的匿名化隐私保护技术在进行数据发布和数据共享前对于敏感属性的个性化隐私保护的支持存在不足,为了实现更为合理的个性化隐私保护,结合粒计算粗糙集理论和k-匿名理论的最新研究成果,针对电子商务中隐私保护个性化决策选择度的不同,从粒化角度出发,提出一种基于隐私决策度的改进k-匿名算法。经实验验证,该算法更好的实现了隐私保护的个性化,同时其隐私保护精度方面优于已有的p-Sensitive k-匿名算法。

面向多敏感属性的个性化分级(l,α,m)-多样性匿名方法

为了防止多敏感属性中敏感属性语义相似性导致的隐私泄露问题,同时尽可能减少匿名保护时的信息损失,提出了个性化分级(l,α,m)-多样性匿名模型。该模型根据敏感属性的语义相似性,对敏感属性进行分级,通过等价类分级加权多样度灵活控制敏感属性语义相异度,控制隐私泄露风险。在此基础上,给出一种基于聚类的匿名模型算法,该算法针对不同准标识符属性设置不同的权值进行泛化处理,构建个性化分级(l,α,m)-多样性匿名模型。实验结果表明,提出的聚类算法能很好地实现个性化分级(l,α,m)-多样性匿名模型,并且能够有效地保护含多敏感属性的个体隐私信息。