36] 图3为离线计算开销仿真示意图；
[0037] 图4为在线计算开销仿真示意图；
[0038] 图5为通信开销仿真示意图；
[0039] 图6为执行时间示意图；
[0040] 图7为机会计算模型仿真图，其中，（a)P= 0. 2参与人数预期，（b)p= 0. 8参与人 数预期，（c)P= 0. 2提供资源预期，（d)P= 0. 8提供资源预期。
【具体实施方式】
[0041] 下面将结合附图和实施例对本发明做进一步的说明。
[0042] 如图1和图2所述，一种新型的近邻移动社交网络交友隐私保护方法，包括以下几 个步骤：
[0043] 步骤1 :构造用户的个人属性偏好权重矩阵MAlxn;
[0044]
[0045] 其中，Blj为用户的属性偏好权重矩阵中的元素，取值为0或1，iG[1，1]，je[l，n];属性偏好权重矩阵中每行的元素代表用户的对属性的偏好程度，也称为属性权 重，n为兴趣属性类别数量，每列中的元素代表用户的属性；
[0046] 所述兴趣权重根据用户在设定时间内的参与兴趣活动的频率的百分比进行设定， 将频率百分比区间[0, 100% ]等分成1份，每个区间从小到大依次对应的兴趣权重分别为 1， 2， 3. ? ? ， 1 ;
[0047] 【频率区间为[0, 20% )，兴趣权重设置为1 ;频率区间为[20%，40% )，兴趣权重 设置为2 ;频率区间为[40%，60% )，兴趣权重设置为3 ;频率区间为[60%，80% )，兴趣权 重设置为4 ;频率区间为[80%，100% ]，兴趣权重设置为5。】
[0048]【假设这三个兴趣爱好分别为看电影，游泳，和购物（列向量表示），我们以看电影 的频率次数举例，假设用户每个月看电影的次数有5个选项，每个选项对应用户看电影的 频率，分别为 20% (1-2 次），40% (3-4 次），60% (5-6 次），80% (7-8)，100% (8 次以上）， 我们假定用户看电影的次数满足20%的频率时1-2次为弱爱好（对应权重为1)，满足40% 的频率时3-5次为基本爱好（对应权重为2)，满足60%的频率时6-8次为中等爱好（对应 权重为3)，满足80%的频率时8-10次为强爱好（对应权重为4)，满足100%的频率时10 次以上为超强爱好（对应权重为5);】
[0049]在本实例中，假设Alice看电影的兴趣爱好程度为4,游泳的兴趣爱好程度为1，购 物的兴趣爱好程度为5 (行向量表示），则Alice的属性偏好权重矩阵表示为：
[0050]
[0051] 但是，直观的发现，通过这种方式构造的矩阵，元素的空置率太高，当矩阵属性和 权重都较大的时候，在计算的时候，对资源的占用率较高。因此，为简化矩阵构造，本文拟定 每一个行元素都可以表示权重，权重排序组合为从高到低排序，那么MAlxn可以表示为：
[0052]
[0053] 步骤2 :构建发起兴趣匹配报文请求的发起者的个人属性偏好混淆矩阵以及获取 恢复明文的密钥矩阵，同时，发起者将个人属性偏好混淆矩阵发送给愿意参加匹配的应答 者；
[0054] 所述个人属性偏好混淆矩阵Mlx/是利用随机产生的两个素数a，P和两个随机 矩阵MC1Xn，MDlxn对发起兴趣匹配报文请求的发起者的个人属性偏好权重矩阵进行混淆操 作获得：
[0055]
[0056] 其中，Clj为MClxn中的元素，r为MDlxn中的元素，均为随机数，iG[1，1]， jG[I,n]；
[0057] 所述密钥矩阵为1X1的矩阵皮，:1中每个元素为kykfki+hj-cj;
[0058] 两个素数a，P设置为1024或者2048位，以防止攻击者通过穷举算法进行破解。
[0059] 步骤3 :利用应答者的属性偏好权重矩阵与步骤2构建的发起者的混淆矩阵的转 置矩阵相乘，将相乘后的矩阵D返回给发起者；
[0060] 步骤4 :发起者利用相乘后的矩阵D和步骤2获得的密钥矩阵f进行求模操作，得 到求模结果矩阵T，T= (1^)1(1<1，b= ((IiJki)IIiodq,其中，q为一个随机素数；
[0061] 并将求模结果矩阵T按照公式(6=(%-进行转换得到转换矩阵T%p为一 个随机素数；
[0062] 步骤5 :将转换矩阵f与位置权重恢复矩阵（Wdlxl进行内积运算，获得发起者与 应答者的相似度矩阵，并将相似度矩阵中的每个元素累加的结果作为两者的相似度值； [0063]
[0064] 位置权重矩阵的关系描述：i，j分别是权重矩阵的下标。假设有三个属性偏好权 重矩阵，其中每个矩阵有三个属性，分别是游泳，篮球，足球，每个属性有5个级别的爱好程 度（权重），为了简单描述其过程，我们选择足球属性进行对比，假设Alice，Bob，Jenny的 属性偏好矩阵为，其对足球爱好分别是3级，1级和3级，其对应的元素位置分别是a33,b13， C33°
[0065]
[0066] 直观来看和Alice对足球的兴趣爱好与Jenny更为接近（均为3级），如果两个 矩阵相乘，那么因为矩阵的相乘要进行转置，最后会得到一个新的矩阵，但是这个新的矩阵 并不能直接反映用户之间的关系，因此我们要引入权重矩阵来进行恢复原有矩阵的兴趣权 重，从而利用
[0067] 内积计算来计算两者之间的相似度。通过数学公式可以进行推导：
[0068]
[0069] 我们可以看到两个矩阵相乘生成新的矩阵后，原来矩阵的权重关系转换为新矩阵 元素C31的行列关系。其中i= 3,j= 1 ;
[0070]
[0071] 其中i= 3,j= 3,通过比较发现，当i=j时，用户之间的相似度越接近，因此我 们可以将权重的值设置较大的范围，同理我们可以推导i辛j的情况，于是我们可以构造权 重恢复矩阵
[0072] 计算公式为：
[0073] 步骤6:应答者作为代理转发发起者的混淆矩阵MAlx:以及发起者在当前一轮匹 配过程中得到的最大相似度，按照最大相似度对应的发起者和应答者建立通信，进行移动 社交网络活动；
[0074] 例如求得的那么那么就可以求得发起者和应答者的相似度的值为1+0+4+4 = 9， 同理我们可以求得发起者和所有应答者的相似度的值。
[0075] 步骤7 :利用应答者作为新的发起者，返回步骤2,得到新的发起者的混淆矩阵以 及新的发起者在新的一轮匹配过程中得到的最大相似度；
[0076] 步骤8 :从步骤6和步骤7中两个最大相似度中选出最大的相似度，并按照选出的 最大相似度对应的发起者和应答者建立通信，进行移动社交网络社交。
[0077] 对本发明所述方法进行复杂度分析，分别利用离线、在线计算开销和通信开销是 用来衡量本发明所述方法的复杂度。在计算开销上主要考虑乘法运算和加法运算的次数， 因为这些操作都需要消耗移动设备的计算资源。同时本文利用发送和接收比特的数量来评 估通信开销。
[0078]FSU为本发明所述方法，即寻找最合适的兴趣伙伴方法；WAS为现有技术中的权重 方法，Fine-grained为现有技术中的细粒度方法；
[0079] 在计算过程中用expl代表1024位的求幂操作，exp2代表2048位的求幂操作，add 表示模加运算，mull，mul2分别表示1024和2048位的乘法运算。假设每个用户的属性个 数和兴趣爱好权重分别是n和1，进行计算，计算结果如表1所示。
[0080] 从与其他方法的对比分析可以看出，虽然本方法增加了一倍的搜索范围，但是计 算任务由于分布到代理进行计算，因此计算开销没有增加，尤其是在线计算成本，对智能手 机的资源消耗和CPU的计算效率有直接的影响。因为搜索范围扩大一倍，通信开销增加一 倍，依然是线性增长。
[0081] 表1:不同协议的算法复杂度比较表
[0082]
[0083] 在本实例中假设移动社交网络中发起者和应答者都有一个智能手机或者平板电 脑，在测试环境中利用小米手机NOTE版，硬件配置为CPU骁龙? 8X74AC801处理器主 频2. 5GHz，使用LPDDR3 933MHz3G高速内存，支持蓝牙4. 0和WiFi双频，编程环境使用 ECLIPSE，同时利用JAVA作为编程语言进行代码开发。
[0084] 通过基准测试结果表明，一个1024位乘法运算需要8X10 5毫秒，一个1024位的 指数运算需要40毫秒，一个2048位乘法和