基于社区划分用户隐私泄露方法.docVIP

基于社区划分用户隐私泄露方法 　　摘 要：社交网络结构信息和非敏感属性信息均可通过公开的用户信息进行推测，从而推测出隐私用户的信息，甚至造成敏感属性的推测，该文提出一种基于社区关键节点隐私用户推测方法，对社区划分中关键节点用户隐私推测策略，最后以实例来说明其推测过程 关键词：社交网络 敏感属性 推测 社区划分 中图分类号：TP293 文献标识码：A 文章编号：1672-3791（2017）03（c）-0010-02 社交网络的高速发展，不同社交团体之间关系紧密，有的社交团体关系稀疏，这些不同的群体社交关系网络中的社区[1]。研究表明，很多在线社交网络用户对安全风险认识不足[2，3].通过对Facebook上调查80%用户使用个人使用清晰可识别或者半可识别的个人照片信息[2]，而一些用户在交流过程中被泄露[3] 1 基于社区划分用户隐私泄露 在社交网络中大量用户的个人信息是公开的，对于社交网络中用户u，由其好友组成的好友关系网络Gu=（Vu，Eu），Vu=Eu即与用户u邻接节点的集合，Eu ={i， j|i， j∈Vu }即用户u的好友之间关系的集合。利用社区发现算法可以将Gu分为社区Ci，i=1，2，…，N，N 为总的社区数。对社区Ci内公开信息的用户Pubi计算，Ki为社区Ci内的公开信息核心结节数，Pi为社区Ci核心集，令Ti=| Pubi|/|Ci|=θ，Tik=| Ki|/| Pi |=θ，|Ci|为社区中总用户数，|Pubi|为社区信息公开的用户数，| Pi |为社区的核心结节数，|Ki|为社区核心公开数，为了保证实验的有效性，Ti，Tik满足θ，θ，是实验中的阈值，该文中θ是关键值，下面按照两种情况进行讨论：如果 Tik非常小，通过对Ti公开信息的内容进行推测，如果关键节点信息被隐藏，而关键节点的连接节点信息都公开的，那关键节点的信息可以推测出来；如果关键节点信息被隐藏，但在关键节点中有隐藏节点，此时，分两种情况：（1）如果隐藏节点数目有限，则可以直接推测出关键信息；（2）如果隐藏节点数目多，无法直接推测关键节点，通过其周围节点信息的公开情况来推测其信息，再推测关键节点信息 如果Ti值很大时，可以大大提高关键节点推测正确率。当Ti值很大时，Tik很大时，则系统推测正确率高；当Ti值很大时，Tik很小时，通过关键节点的连接节点推测出关键节点信息，提高Ti k的值，从而提高系统推测正确率；当Ti值很小时，Ti k很大时，通过关键节点推测其连接节点，提高Ti的值，从而提高系统推测正确率；当Ti值很小时，Ti k很小时，此时系统无法保证很高的推测正确率。算法如下： （1）利用modularity 为度量的社区发现，实现划分社区和利用PageRank算法确定每个社区的关键节点； （2）计算 Ti，Tik，θ取0.4，θ取0.5 ，如果Ti值大，θ可以取小点； （3）If Ti≥0.4andTik≥0.5通过关键节点，推测连接隐私节点信息，再推测其它关键节点或先推测所有关键节点，再推测其它节点； （4）If Ti≥0.4andTik 1