面向社交网络的隐私保护方法研究

发布时间：2023-06-08 21:08

　　得益于互联网和大数据等技术的快速发展,蕴含在社交网络中的海量数据可以给社会的生产生活带来巨大的价值,但在社交网络的数据发布和数据挖掘过程中可能会引发隐私泄露的问题。因此,如何做到在不泄露社交网络隐私信息前提下,进行安全有效且有价值的数据发布和数据挖掘是当前一个研究热点。差分隐私作为一种重要且有效的隐私保护方法,目前已被应用在社交网络隐私保护。本文针对社交网络隐私保护和差分隐私方法的结合展开相应研究,并做了如下工作:(1)本文介绍了社交网络的概念及其特点和差分隐私基本理论,分析了社交网络中面临的隐私泄露问题,说明了社交网络的隐私保护要求,总结了针对社交网络中的常见的隐私保护方法,阐明了差分隐私具备的数据保护能力,并回顾了近几年领域内的相关学术成果。(2)针对社交网络数据在直方图发布过程中存在的隐私泄漏和查询精度低问题,本文基于差分隐私保护模型,提出了一种相邻桶分组划分方法(Adjacent Group Bucket Dividing,AGBD)。采用图映射方法对社交网络进行节点差分隐私处理,同时针对映射方法在直方图发布过程中存在的引入过量噪声问题,本文提出的AGBD方法使用贪心策略,并结...

【文章页数】：67 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 研究现状
        1.2.2 研究现状总结
    1.3 研究内容
    1.4 论文结构
第二章 相关理论
    2.1 社交网络
        2.1.1 社交网络概念
        2.1.2 社交网络结构
        2.1.3 社交网络隐私
        2.1.4 社交网络攻击
        2.1.5 社交网络隐私保护技术
    2.2 差分隐私
        2.2.1 相关概念
        2.2.2 实现机制
        2.2.3 相关性质
        2.2.4 保护框架
    2.3 本章小结
第三章 社交网络中满足节点差分隐私的直方图发布方法
    3.1 社交网络图映射处理
        3.1.1 节点差分隐私
        3.1.2 图映射
        3.1.3 复杂度分析
        3.1.4 敏感度分析
    3.2 满足差分隐私的直方图发布方法
        3.2.1 直方图发布
        3.2.2 基于差分隐私的相邻桶分组划分方法
        3.2.3 排列保序
    3.3 实验分析
        3.3.1 实验环境
        3.3.2 实验数据集
        3.3.3 评价标准
        3.3.4 实验结果和分析
    3.4 本章小结
第四章 社交网络中满足差分隐私的集成学习方法
    4.1 社交网络中基于分类任务的隐私泄露
    4.2 分类算法
        4.2.1 基于差分隐私的分类模型
        4.2.2 分类算法执行过程
        4.2.3 决策树
        4.2.4 集成学习
    4.3 满足差分隐私的集成学习方法
        4.3.1 自适应增强集成学习策略
        4.3.2 噪声添加机制
        4.3.3 构造个体分类器
        4.3.4 基于差分隐私的集成学习方法
        4.3.5 隐私性分析
    4.4 实验分析
        4.4.1 实验环境
        4.4.2 实验数据集
        4.4.3 评价标准
        4.4.4 实验结果和分析
    4.5 本章小结
第五章 总结与展望
    5.1 工作总结
    5.2 工作展望
致谢
参考文献
作者简介及攻读硕士期间的学术成果



本文编号：3832499