于分层随机图 的在线社会网络差分隐私保护方法在不同隐私预算ε取值下的F-measure值曲线，曲线 Spectral 为论文"Wang Y，Wu X，Wu L. Differential privacy preserving spectral graph analysis[M]//Advances in Knowledge Discovery and Data Mining. Springer Berlin Heidelberg，2013:329-340. "提到的基于网络图谱的差分隐私方法在不同隐私预算ε取 值下的F-measure值曲线，经过对比可知，本实施例基于分层随机图的在线社会网络差分 隐私保护方法相对该基于网络图谱的差分隐私方法在相同隐私保护级别下获得了更好的 可用性。
[0134] 以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施 例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域 的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也 应视为本发明的保护范围。
【主权项】
1. 一种基于分层随机图的在线社会网络差分隐私保护方法，其特征在于步骤包括： 1) 输入网络G; 2) 基于分层随机图模型构建网络G的树结构T; 3) 根据预设的隐私预算e1，由马尔科夫蒙特卡洛方法在网络G的树结构T中进行采 样得到采样树 4)W采样树的根节点Rrwt作为初始的当前节点； 5) 根据预设的隐私预算e2,计算当前节点的关联概率值巧J; 6) 在网络G中找到W当前节点作为最近父节点的一组节点对，W关联概率值巧J在该 组节点对之间设置一条边； 7) 判断采样树Lample是否遍历完毕，如果尚未遍历完毕，则在采样树T,ample中查找下一 个节点作为当前节点，跳转执行步骤5);否则跳转执行步骤8); 8) 将所有组节点之间设置的边及其节点组成的净化网络G输出。2. 根据权利要求1所述的基于分层随机图的在线社会网络差分隐私保护方法，其特征 在于，所述步骤2)构建网络G的树结构T为包含一个根节点、n个叶节点及n-1个父节点 的二叉树，所述树结构T中的n个叶节点对应网络G中的n个节点，每一个父节点r具有属 性连接概率Pf，所述连接概率Pf表示W父节点r为相同父节点的两个叶节点之间的连接概 率。3. 根据权利要求2所述的基于分层随机图的在线社会网络差分隐私保护方法，其特征 在于，所述步骤3)的详细步骤包括： 3. 1)从网络G的树结构T中选择一个随机的初始采样树T。作为初始化马尔科夫链的 条件，初始化马尔科夫链并开始沿着马尔科夫链移动； 3. 2)当沿着马尔科夫链移动到第i步时，从初始采样树T。或者上一步得到的采样树Tii中随机选出一个分枝节点r; 3. 3)随机构造出分枝节点r的子树，通过分枝节点r的子树选出上一步得到的采样树Ti1的一个邻居树T' ； 3.4)根据预设的隐私预算Ei计算转移概率P，根据转移概率P在马尔科夫链中进行 条件转移，同时将邻居树T'赋值给本步得到的采样树Tl; 3. 5)判断马尔科夫链中是否还有剩余树，如果还有剩余树则继续沿着马尔科夫链移 动，并跳转执行步骤3. 2)，否则跳转执行步骤3. 6); 3. 6)将采样树Ti作为最终得到的采样树Tsample输出。4. 根据权利要求3所述的基于分层随机图的在线社会网络差分隐私保护方法，其特征 在于，所述步骤3. 4)中计算转移概率P的函数表达式如式（1)所示；(1) 式（1)中，P为转移概率，Ei为预设的隐私预算，AU为差分隐私全局敏感度，r为本 步得到的邻居树，Ti1为上一步得到的采样树，￡为分层随机图的最大似然概率。5. 根据权利要求4所述的基于分层随机图的在线社会网络差分隐私保护方法，其特征 (2) 在于，所述分层随机图的最大似然概率的函数表达式如式（2)所示； 式似中，幻巧表示树结构T的最大似然概率，r表示树结构T的一个分枝节点，5为 采样树节点连接的关联概率，^为Wr为节点的左子树，Rf为Wr为节点的右子树。6. 根据权利要求1~5中任意一项所述的基于分层随机图的在线社会网络差分隐私保 护方法，其特征在于，所述步骤5)的详细步骤包括： 5. 1)根据预设的隐私预算e2计算注入噪音测度值Ab; 5. 2)根据预设的隐私预算e2计算连接概率测度值A。； 5.3) 判断注入噪音测度值Ab大于或等于T1且连接概率测度值A。大于或等于T2 是否同时成立，如果成立则跳转执行步骤5. 4)，否则跳转执行步骤5. 7); 5.4) 确定W当前节点r巧J根节点的子树中所有节点间边的数量; 5. 5)计算节点连接概率预测值J; 5.6)对^当前节点'>^为根节点的子树中的每个分枝节点'，将节点连接概率预测值 赋值给设置分枝节点r的连接概率预测值，跳转执行步骤5. 12); 5. 7)计算当前节点'"^的连接概率预测值；；； 5. 8)生成当前节点r*的左子树/中:； 5. 9)生成当前节点'"^的右子树《，； 5. 10) ^当前节点'"^的左子树作为新的当前节点，跳转执行步骤5. 3); 5. 11) ^当前节点甘^^的右子树气作为新的当前节点，跳转执行步骤5.3); 5. 12)输出当前节点'"^的关联概率值巧J。7. 根据权利要求6所述的基于分层随机图的在线社会网络差分隐私保护方法，其特征 在于，所述步骤5. 1)中计算注入噪音测度值Ab的函数表达式如式（3)所示；C3) 式做中，Ab为注入噪音测度值，e2为预设的隐私预算，/-V为当前节点巧勺左子树，Sf-为当前节点r^^的右子树。8. 根据权利要求7所述的基于分层随机图的在线社会网络差分隐私保护方法，其特征 在于，所述步骤5. 2)中计算连接概率测度值A。的函数表达式如式（4)所示；(4) 式（4)中，^。为连接概率测度值，e2为预设的隐私预算，心，为当前节点'"^勺左子树，R,为当前节点r^^的右子树。9. 根据权利要求8所述的基于分层随机图的在线社会网络差分隐私保护方法，其特征 在于，所述步骤5. 5)中计算节点连接概率预测值I的函数表达式如式（5)所示；(5) 式巧）中，/^为节点连接概率预测值，为^当前节点'>^为根节点的子树中所有 节点间边的数量，6 2为预设的隐私预算，L为当前节点r^^的左子树，馬*为当前节点'>^勺 右子树，LapO为拉普拉斯分布函数。10. 根据权利要求9所述的基于分层随机图的在线社会网络差分隐私保护方法，其特 征在于，所述步骤5.7)中计算当前节点'"^的节点连接概率预测值；；的函数表达式如式 化）所示；(6) 式化）中，？；为当前节点r^?勺节点连接概率预测值，e,f为W当前节点r^^为根节点的 子树中所有节点间边的数量，e2为预设的隐私预算，^为当前节点巧勺左子树，馬为当前 节点r^^的右子树，LapQ为拉普拉斯分布函数。
【专利摘要】本发明公开了一种基于分层随机图的在线社会网络差分隐私保护方法，步骤包括：输入网络；基于分层随机图模型构建网络的树结构；根据预设的隐私预算，由马尔科夫蒙特卡洛方法在网络中采样得到采样树；以采样树的根节点作为初始当前节点；根据预设的隐私预算，计算当前节点的关联概率值；在网络中找到以当前节点为最近父节点的一组节点对，以关联概率值在该组节点对之间设置一条边；判断采样树是否遍历完毕，如果尚未完毕，则在采样树中继续遍历下一节点；否则将所有组节点间设置的边及其节点组成的净化网络输出。本发明能够解决社会网络敏感结构数据信息的隐私保护问题，能够满足差分隐私保护要求、同时保持良好的数据可用性。
【IPC分类】H04L29/06
【公开号】CN105376243
【申请号】CN201510847184
【发明人】朱培栋, 陈亮, 王可, 蔡开裕, 刘小雪, 郑倩冰, 马迪, 杜秀春, 康文杰, 尚博文, 刘磊, 胡照明
【申请人】中国人民解放军国防科学技术大学
【公开日】2016年3月2日
【申请日】2015年11月27日