發(fā)布時(shí)間：2024-06-02 15:14

　　隨著社交網(wǎng)絡(luò)服務(wù)的普及,各類社交媒體可以從用戶端獲取大量個(gè)人數(shù)據(jù)和相關(guān)信息以進(jìn)行數(shù)據(jù)挖掘和分析,但同時(shí)也帶來隱私泄露風(fēng)險(xiǎn),因此個(gè)人隱私保護(hù)問題變得越來越重要。當(dāng)前,差分隱私作為一種經(jīng)過嚴(yán)格理論驗(yàn)證和數(shù)學(xué)證明的隱私保護(hù)模型,在許多領(lǐng)域都引起了人們的關(guān)注和研究。但是,針對社交網(wǎng)絡(luò)中關(guān)系數(shù)據(jù)的隱私保護(hù)仍處于初級階段,且現(xiàn)有的差分隱私發(fā)布技術(shù)主要集中在中心化模型上,即數(shù)據(jù)收集者默認(rèn)可信,然而這樣的假設(shè)已不符合現(xiàn)實(shí)情況。為了解決上述問題,本文提出以下兩部分研究內(nèi)容:(1)本文提出使用滿足本地化差分隱私的分層隨機(jī)圖模型進(jìn)行隱私保護(hù)。首先,為了達(dá)到保護(hù)隱私同時(shí)不失去效用性的目的,本文通過將原始網(wǎng)絡(luò)轉(zhuǎn)換為分層隨機(jī)圖模型來保留統(tǒng)計(jì)特征,將原有評價(jià)指標(biāo)結(jié)合指數(shù)機(jī)制形成新的模型選擇方案,擇優(yōu)選擇最終的模型結(jié)構(gòu);然后,將獲得的模型與添加拉普拉斯噪聲的連接概率結(jié)合,以獲得一個(gè)噪聲網(wǎng)絡(luò)以供發(fā)布,模型的迭代選擇過程中借鑒蒙特卡洛馬爾可夫鏈方法提高了效率和準(zhǔn)確性;此外,還提出應(yīng)用預(yù)測模型來補(bǔ)充丟失連接。本文對所提出算法進(jìn)行了理論證明和實(shí)驗(yàn)驗(yàn)證。(2)本文提出了一種基于Louvain算法的本地化差分隱私社團(tuán)檢測算法。在...

【文章頁數(shù)】：58 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖3.6度分布結(jié)果對比

算法作為對照實(shí)驗(yàn)。其中對照算法是由文獻(xiàn)[49]提出的具有相同隱私標(biāo)準(zhǔn)的中心化差分隱私算法標(biāo)記為“DP”；無隱私保護(hù)的分層隨機(jī)圖模型方案的結(jié)果標(biāo)記為“HRG”；而本章提出的方案標(biāo)記為“LDP”。3.3.2結(jié)果分析社交網(wǎng)絡(luò)數(shù)據(jù)發(fā)布的目的是為研究人員提供有效數(shù)據(jù)進(jìn)行深入挖掘和分析，以獲....

圖3.7聚類系數(shù)累積分布結(jié)果對比

?郵件，因此存在較多度為1的節(jié)點(diǎn)，也因此對噪聲邊的存在更為敏感。本章的方案降低了對此類節(jié)點(diǎn)的噪聲擾動(dòng)，因此保留了相似的分布特征；而中心化隱私保護(hù)方案無差別地噪聲擾動(dòng)，使得節(jié)點(diǎn)度呈現(xiàn)類似正態(tài)分布的情況，與真實(shí)數(shù)據(jù)分布不符。無隱私HRG模型方案的設(shè)置可以看出，HRG模型本身對原始數(shù)據(jù)....

圖3.8最短路徑結(jié)果對比

方案通過減小數(shù)據(jù)大小來降低敏感度，從而在相同的隱私保護(hù)級別上降低了噪聲干擾。在圖3.7（b）的Enron數(shù)據(jù)集中，有類似的情況。Enron數(shù)據(jù)集中的關(guān)系數(shù)據(jù)表示Enron郵件的通信關(guān)系，其中以雙方通信居多，使得節(jié)點(diǎn)的平均聚類系數(shù)相對較低，噪聲干擾導(dǎo)致的誤差較大。綜上所述，本章的方....

圖4.5不同隱私預(yù)算下社團(tuán)模塊度的結(jié)果對比

內(nèi)蒙古大學(xué)碩士學(xué)位論文35出的方案的結(jié)果標(biāo)記為“LLDP”。4.4.2社團(tuán)檢測結(jié)果分析本章選擇的真實(shí)社交網(wǎng)絡(luò)數(shù)據(jù)集并沒有標(biāo)準(zhǔn)的社團(tuán)檢測結(jié)果，因此選擇原始Louvain算法的輸出結(jié)果作為標(biāo)準(zhǔn)對照，在文獻(xiàn)[65]中對Louvain算法效果進(jìn)行了評估，并且Louvain算法被證明能夠提....

本文編號：3987420