本发明涉及个人身份隐私保护强度评估方法,更具体地说,涉及一种基于滤波的个人身份隐私保护强度评估方法。
背景技术:
随着社交网络平台的广泛普及,用户在分享个人信息时引起的隐私泄露问题成为人们关注的焦点,加噪型的社交网络隐私保护方法缺乏统一性评价。
本发明将社交网络抽象成一个无向无权图g(n,e),其中n表示网络中所有节点的集合,e表示网络中所有边的集合。
一个图(或网络)由一些顶点和连接它们的边构成。每个顶点连出的所有边的数量就是这个顶点的度,即指此节点的邻边数量。对网络中所有节点的度求平均可得到网络的平均度。
复杂网络中的聚集系数是用来衡量网络集团化程度的重要参数,聚集系数就是用来度量网络的这种性质的参数。
由于现有的个人身份隐私保护方法大都是基于加噪的方式提出的,而在信号处理中可以利用滤波对图像去噪。由于维纳滤波器能够自动抑制噪声的放大,对含噪图像的复原效果较好,可使具有噪声干扰图像的客观复原性能达到全局意义上的最佳。
技术实现要素:
本发明要解决的技术问题在于,针对现有技术中的缺陷,提供一种基于滤波的个人身份隐私保护强度评估方法,达到隐私保护强度评估的目的。
本发明解决其技术问题所采用的技术方案是:构造一种基于滤波的个人身份隐私保护强度评估方法,利用维纳滤波的方法滤除邻近图中的噪声,并且利用无向图中的平均度、平均聚集系数、介数中心性和度分布等度量指标来评价隐私保护的强度,从而达到隐私保护强度评估的目的。
在本发明所述的基于滤波的个人身份隐私保护强度评估方法中,所述基于滤波的个人身份隐私保护强度评估方法步骤为:1)建立身份隐私保护强度评估模型,2)建立算法;所述身份隐私保护强度评估模型包括原图、邻近图和去噪图;所述邻近图即隐私保护后的图不同的需求加入不同的高斯噪声进行隐私保护;所述去噪图是对邻近图进行滤波得到的,根据不同的需求提出不同的隐私保护强度评估算法。
在本发明所述的基于滤波的个人身份隐私保护强度评估方法中,所述建立算法的流程为:
s1)将邻近图转换成邻接矩阵;
s2)改变高斯噪声,加入不同的噪声,得到不同噪声的变化矩阵;
s3)将不同矩阵作对比,利用平均度、平均聚集系数、介数中心性等指标来评价隐私保护的强度;
s4)通过对比指标,评估隐私保护强度。
实施本发明的一种基于滤波的个人身份隐私保护强度评估方法,具有以下有益效果:所述基于滤波的个人身份隐私保护强度评估方法从隐私挖掘的角度,借鉴信号处理中能够自动抑制噪声的维纳滤波,能够滤除邻近图中的部分噪声,达到了隐私保护强度评价的目的,也为个人身份隐私保护的理论研究提供了指导。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明的整体模型示意图
图2是本发明的隐私保护强度评估方法示意图
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
所述基于滤波的个人身份隐私保护强度评估方法步骤为:1)建立身份隐私保护强度评估模型,2)建立算法;所述身份隐私保护强度评估模型包括原图、邻近图和去噪图;所述邻近图即隐私保护后的图不同的需求加入不同的高斯噪声进行隐私保护;所述去噪图是对邻近图进行滤波得到的,根据不同的需求提出不同的隐私保护强度评估算法。
进一步地,所述建立算法的流程为:
s1)将邻近图转换成邻接矩阵;
s2)改变高斯噪声,加入不同的噪声,得到不同噪声的变化矩阵;
s3)将不同矩阵作对比,利用平均度、平均聚集系数、介数中心性等指标来评价隐私保护的强度;
s4)通过对比指标,评估隐私保护强度。
尽管通过以上实施例对本发明进行了揭示,但本发明的保护范围并不局限于此,在不偏离本发明构思的条件下,对以上各构件所做的变形、替换等均将落入本发明的权利要求范围内。