一种面向隐私保护的网络结构去匿名化系统及方法与流程

本发明涉及社交网络数据的隐私保护领域，具体为一种面向隐私保护的网络结构去匿名化系统及方法。

背景技术：

社交网络现在被第三方消费者(如研究人员和广告商)广泛利用以了解用户特征和行为。某些掌握了大量用户数据的网络公司，如新浪，在发布网络数据之前，收集的数据集中包含的私人信息或敏感信息会匿名化，以防止个人隐私受到损害。

在社交网络中，由于隐私数据与公共数据共存，因此在社交网络数据发布时存在三个重要的隐私风险：内容泄露风险，身份泄露风险和链路泄露风险。所以要在数据发布之前对其进行匿名化处理。

目前，已经提出了许多匿名方法，可以分为两类，包括基于泛化的方法和基于扰动的方法。基于泛化的方法的基本思想是利用模糊但语义一致的信息替换敏感信息。基于扰动的方法包括链路修改策略和随机化策略，其中前者使用链路的添加和删除机制来满足期望约束，例如k-degreeanonymity和k-automorphismanonymity，后者则通过随机添加和删除链路来更改网络结构。此外，还有人提出了差分隐私方法用于网络匿名。

为了加强隐私保护技术并减少隐私泄露，量化隐私保护机制的保证级别并减轻用户的顾虑，研究基于敏感信息推断的网络去匿名化方法变得尤为重要。从而根据对匿名后的社交网络实施去匿名化方法来评估该匿名方法的效果好坏。目前，已经提出了许多去匿名化方法来量化匿名技术的实际水平。例如基于配置文件的去匿名化方法，其中有关用户行为、位置、网络浏览历史等信息都可通过匿名和辅助社交网络来匹配账户以识别用户的身份。此外，假设一旦复原用户的真实身份就可以暴露所有敏感属性，则定义基于结构的去匿名化方法来匹配账户用以识别用户身份。并且为了推断社交网络用户的敏感关系，开发了基于重建的去匿名化方法，以根据匿名数据的结构模式来恢复原始社交网络。但是大多数现有的网络结构去匿名化方法为仅基于匿名社交网络的单视图方法，其精确性有限以及大多数现有的网络结构去匿名化方法仅基于网络节点的局部结构来推断敏感关系，其全局结构信息尚未被广泛利用。

技术实现要素：

基于现有技术的上述缺陷，本发明要解决的问题是为了针对现在网络结构去匿名化方法精确性有限、对可用信息的利用较少的缺点，提供一种面向隐私保护的网络结构去匿名化方法，且本发明中使用的网络结构去匿名化方法充分利用了多视图信息，比一般去匿名化方法精确性高。

本发明解决上述问题的方案是：在本发明中，所有社交网络均可由图表示，其中图中的节点表示社交用户，边表示社交用户间存在的关系。从而将社交网络转换为图数据进行处理，其中图数据可以用矩阵表示，以便于计算。对原始社交网络进行匿名处理后，利用匿名社交网络和辅助社交网络的邻接矩阵得到最优结构模式(其中辅助社交网络与匿名社交网络对应与同一组用户，并且它们都部分地反映了原始社交网络的结构关系)，再通过该结构模式重建原始社交网络并将重建后的原始社交网络与匿名社交网络对比得出匿名边集；根据该匿名边集求解出网络结构的信息，从而实现对匿名网络的去匿名化。

本发明提出了一种面向隐私保护的网络结构去匿名化系统，所述系统包括相连的原始社交网络获取模块、匿名社交网络生成模块、原始社交网络重建模块以及匿名社交网络检测模块；

进一步的，

所述原始社交网络获取模块用于获取社交网络中用户的社交关系以及用户信息；

所述匿名社交网络生成模块用于通过其匿名策略单元进行匿名处理从而对原始社交网络进行匿名化；

所述原始社交网络重建模块用于根据匿名社交网络的邻接矩阵和原始社交网络的结构最优值重建出原始社交网络；

所述匿名社交网络检测模块用于从匿名社交网络中获取被匿名的社交关系。

进一步的，所述原始社交网络重建模块包括第一处理单元、匿名社交网络获取单元以及辅助社交网络获取单元；所述匿名社交网络获取单元从匿名社交网络生成模块中获取匿名社交网络；所述辅助社交网络获取单元用于获取辅助社交网络；所述第一处理单元包括第一目标函数子单元、增广拉格朗日乘子子单元以及矩阵乘积子单元；根据第一目标函数子单元利用增广拉格朗日乘子子单元求解出原始社交网络的结构最优值，并通过矩阵乘积子单元将原始社交网络的结构最优值与匿名社交网络的邻接矩阵相乘获得重建后的原始社交网络。

进一步的，所述原始社交网络重建模块还包括第二处理单元、匿名社交网络获取单元以及辅助社交网络获取单元；所述匿名社交网络获取单元从匿名社交网络生成模块中获取匿名社交网络；所述辅助社交网络获取单元用于获取辅助社交网络；所述第二处理单元包括第二目标函数子单元、增广拉格朗日乘子子单元以及矩阵乘积子单元；根据第二目标函数子单元利用增广拉格朗日乘子子单元求解出原始社交网络的结构最优值，并通过矩阵乘积子单元将原始社交网络的结构最优值与匿名社交网络的邻接矩阵相乘获得重建后的原始社交网络。

进一步的，所述匿名社交网络检测模块包括差异边集单元、匿名边集计算单元以及匿名社交关系单元；所述差异边集单元用于将原始社交网络重建模块中获得的原始社交网络与匿名社交网络生成模块中获得的匿名社交网络进行作差处理，以获得匿名边集；所述匿名边集计算单元用于计算出匿名社交网络中匿名边集的数量；所述匿名社交关系单元用于确定出被匿名的社交关系。

进一步的，所述匿名社交关系单元用于确定出被匿名的社交关系包括用于根据获取的匿名边集数量以及匿名策略单元确定出被匿名的社交关系。

基于上述去匿名化系统，本发明还提出了一种面向隐私保护的网络结构去匿名化方法，所述方法包括以下步骤：

所述方法包括将社交网络抽象为无向图，其中无向图中的各个顶点作为用户，无向图中的各条边作为两个节点对应的两个用户的社交关系；将原始社交网络中用户间的社交关系进行匿名处理；对匿名社交网络进行去匿名化过程，从而获得原始社交网络中用户被匿名的社交关系；

进一步的，

去匿名化过程具体包括以下步骤：

s1、从匿名社交网络和辅助社交网络中根据增广拉格朗日乘子方法求解出原始社交网络的结构最优值；

s2、确定出匿名社交网络的邻接矩阵，将其与原始社交网络的结构最优值进行相乘，从而获得原始社交网络的邻接矩阵；

s3、根据原始社交网络的邻接矩阵得到重建后的原始社交网络，确定出原始社交网络中各个用户之间的关系，也即对匿名社交网络去匿名化；

s4、将匿名社交网络与重建后的原始社交网络进行比较，从而获得两个社交网络中的差异边集；

s5、根据差异边集的各个匿名链接项的排名计算出匿名边集，即获得匿名社交网络中被匿名的社交关系。

本发明中，匿名社交网络可从互联网络或其他数据库中获取，也可对原始社交网络进行匿名化处理后获得。

进一步的，步骤s1中原始社交网络的结构最优值的求解方式包括通过引入辅助变量将第一目标函数分离，通过增广拉格朗日乘子方法inexactalm求解出分离后的第一目标函数，从而求出表示矩阵，包括匿名社交网络的表示矩阵和辅助社交网络的表示矩阵；并将匿名社交网络的表示矩阵作为表示矩阵的最优值，第一目标函数表示为：

s.t.a⁽ⁱ⁾＝a⁽ⁱ⁾x⁽ⁱ⁾+e⁽ⁱ⁾,i＝1,2；

其中，||x⁽ⁱ⁾||*为表示矩阵的核规范化形式；x⁽¹⁾表示匿名社交网络的表示矩阵，x⁽²⁾表示辅助社交网络的表示矩阵；a⁽¹⁾表示匿名社交网络的邻接矩阵；a⁽²⁾表示辅助社交网络的邻接矩阵；e⁽ⁱ⁾表示第i个视图的噪声项；||e⁽ⁱ⁾||2,1表示第i个视图的范数；λ表示噪声项的权衡参数；α表示正则化项的权衡参数；ω(x)表示正则化项。其中x⁽¹⁾的最优值可以与匿名社交网络结合用于网络结构去匿名化。i＝1表示对应匿名社交网络，i＝2表示对应辅助社交网络。

进一步的，所述正则化项表示为ω(x)＝||x⁽¹⁾-x⁽²⁾||2,1。

进一步的，步骤s1中原始社交网络的结构最优值的求解方式还包括构建第二目标函数对多视图网络的共同结构模式进行建模，引入辅助变量来使第二目标函数可分离，并求得第二目标函数分离后的增广拉格朗日函数，采用增广拉格朗日乘子方法inexactalm解决第二目标函数的优化问题，从而求得公共表示矩阵并将其作为原始社交网络的结构最优值。

进一步的，所述第二目标函数表示为：

其中，为公共表示矩阵的核规范化形式；λ表示噪声项的权衡参数；||e⁽ⁱ⁾||2,1表示第i个视图的范数；a⁽¹⁾表示匿名社交网络的邻接矩阵；a⁽²⁾表示辅助社交网络的邻接矩阵。

进一步的，匿名边集的计算方法包括将匿名社交网络的关系集与原始社交网络的结构模式相乘获得重建后的原始社交网络，将原始社交网络与匿名社交网络的关系集作差，获得差异边集，通过公式计算出匿名边集的大小；通过对差异边集中各项的绝对值进行排序，将排名前l个匿名链接作为匿名边集，其中负数项为删除的边，正数项为添加的边。

进一步的，匿名边集的大小的计算公式表示为l＝φ(k,ψ(a⁽¹⁾)/2,i)；其中，ψ(a⁽¹⁾)表示a⁽¹⁾的非零项的数量；k表示匿名社交网络的隐私保护度；i(·)表示匿名策略。

本发明的有益效果：

1、本发明中的去匿名化方法通过一个特定的表示矩阵直接获得共同结构模式来确定出去匿名化的结果。

2、本发明能在最先进的方法中的各种隐私保护度k下获得最佳性能，且多视图去匿名化算法的性能优于单视图算法。

3、本发明除了去匿名化在准确性方面的优势外，还可以在参数范围很广的情况下良好的运行。同时，对于拥有大量用户关系数据的网络公司来说，用于网络结构去匿名化的辅助社交网络也较容易获得。

附图说明

图1为本发明采用的去匿名化的架构图；

图2为本发明方法中去匿名化过程的系统流程图；

图3为本发明中优选实施例中email-euall数据库上不同λ下的reliability值；

图4为本发明中优选实施例中email-euall数据库上不同网络大小下的reliability值；

图5为本发明采用email-euall网络中真实匿名边集的可视化结果；

图6为本发明采用email-euall网络中推断出的匿名边集。

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，以下结合附图对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。

本发明在匿名社交网络中，通过inexactalm算法求得表示矩阵，利用表示矩阵获得的网络结构模式重建原始社交网络，从而找出匿名边集p；根据该匿名边集求解出匿名社交网络的网络结构的信息，从而实现对网络结构的去匿名化。

其中，匿名社交网络可从互联网络或其他数据库中获取，也可对原始社交网络进行匿名化处理后获得。

以下对本发明所涉及技术方案进行详细描述。

实施例1

本实施例主要对本发明的一种面向隐私保护的网络结构去匿名化系统进行一个说明，如图1所示，本发明采用的架构图包括网络的邻接矩阵a可由完全基矩阵d与表示矩阵x的乘积加上噪声项e表示，即a＝dx+e，其中邻接矩阵a最适合作为完全基矩阵，等式也可写为a＝ax+e。由目标函数得到的表示矩阵x⁽¹⁾,x⁽²⁾通过一致性约束可以得到公共表示矩阵，再将其与匿名图相乘即可获得重建的原始社交网络，然后再将匿名社交网络与重建的原始社交网络比较即可获得差异边集，从而计算出匿名边集以完成敏感关系识别。

其中，本发明的去匿名化系统包括相连的原始社交网络获取模块、匿名社交网络生成模块、原始社交网络重建模块以及匿名社交网络检测模块；

所述原始社交网络获取模块用于获取社交网络中用户的社交关系以及用户信息；

所述匿名社交网络生成模块用于通过其匿名策略单元进行匿名处理从而对原始社交网络进行匿名化；

所述原始社交网络重建模块用于根据匿名社交网络的邻接矩阵和原始社交网络的结构最优值重建出原始社交网络；

所述匿名社交网络检测模块用于从匿名社交网络中获取被匿名的社交关系。

所述原始社交网络重建模块包括第一处理单元、匿名社交网络获取单元以及辅助社交网络获取单元；所述匿名社交网络获取单元从匿名社交网络生成模块中获取匿名社交网络；所述辅助社交网络获取单元用于获取辅助社交网络；所述第一处理单元包括第一目标函数子单元、增广拉格朗日乘子子单元以及矩阵乘积子单元；根据第一目标函数子单元利用增广拉格朗日乘子子单元求解出原始社交网络的结构最优值，并通过矩阵乘积子单元将原始社交网络的结构最优值与匿名社交网络的邻接矩阵相乘获得重建后的原始社交网络。

其中，第一目标函数子单元通过构造第一目标函数以实现上述功能，其中第一目标函数可以表示为：

s.t.a⁽ⁱ⁾＝a⁽ⁱ⁾x⁽ⁱ⁾+e⁽ⁱ⁾,i＝1,2；

其中，||x⁽ⁱ⁾||*表示矩阵的核规范化形式；x⁽¹⁾表示匿名社交网络的表示矩阵，x⁽²⁾表示辅助社交网络的表示矩阵；a⁽¹⁾表示匿名社交网络的关系集；a⁽²⁾表示辅助社交网络的关系集；e⁽ⁱ⁾表示噪声项；||e⁽ⁱ⁾||2,1表示第i个视图的范数；λ表示噪声项的权衡参数；α表示正则化项的权衡参数；ω(x)表示正则化项，所述正则化项表示为ω(x)＝||x⁽¹⁾-x⁽²⁾||2,1。

所述原始社交网络重建模块还包括第二处理单元、匿名社交网络获取单元以及辅助社交网络获取单元；所述匿名社交网络单元从匿名社交网络生成模块中获取匿名社交网络；所述辅助社交网络获取单元用于获取辅助社交网络；所述第二处理单元包括第二目标函数子单元、增广拉格朗日乘子子单元以及矩阵乘积子单元；根据第二目标函数子单元利用增广拉格朗日乘子子单元求解出原始社交网络的结构最优值，并通过矩阵乘积子单元将原始社交网络的结构最优值与匿名社交网络的邻接矩阵相乘获得重建后的原始社交网络。

其中，第二目标函数子单元通过构造第二目标函数以实现上述功能，其中第二目标函数可以表示为：

其中，为公共表示矩阵的核规范化形式；λ表示噪声项的权衡参数；||e⁽ⁱ⁾||2,1表示第i个视图的范数；a⁽¹⁾表示匿名社交网络的邻接矩阵；a⁽²⁾表示辅助社交网络的邻接矩阵。

所述匿名社交网络检测模块包括差异边集单元、匿名边集计算单元以及匿名社交关系单元；所述差异边集单元用于将原始社交网络重建模块中获得的原始社交网络与匿名社交网络生成模块中获得的匿名社交网络进行作差处理，以获得匿名边集；所述匿名边集计算单元用于计算出匿名社交网络中匿名边集的数量；所述匿名社交关系单元用于确定出被匿名的社交关系。

所述匿名社交关系单元用于确定出被匿名的社交关系包括用于根据获取的匿名边集数量以及匿名策略单元确定出被匿名的社交关系。

具体的，本发明将社交网络抽象为无向图，其中无向图中的各个顶点作为用户，无向图中的各条边作为两个节点对应的两个用户的社交关系；将原始社交网络中用户间的社交关系进行匿名处理；对匿名社交网络进行去匿名化过程，从而获得原始社交网络中用户被匿名的社交关系。

实施例2

如图2所示，本发明去匿名化过程可包括以下步骤：

s1、从匿名社交网络和辅助社交网络中根据增广拉格朗日乘子方法求解出原始社交网络的结构最优值；

s2、确定出匿名社交网络的邻接矩阵，将其与原始社交网络的结构最优值进行相乘，从而获得原始社交网络的邻接矩阵；

s3、根据原始社交网络的邻接矩阵得到重建后的原始社交网络，确定出原始社交网络中各个用户之间的关系，也即对匿名社交网络去匿名化；

s4、将匿名社交网络与重建后的原始社交网络进行比较，从而获得两个社交网络中的差异边集；

s5、根据差异边集的各个匿名链接项的排名计算出匿名边集，即获得匿名社交网络中被匿名的社交关系。

本发明中，匿名社交网络可从互联网络或其他数据库中获取，也可对原始社交网络进行匿名化处理后获得。

其中，本发明中的多视图表示为一个匿名社交网络和至少一个辅助社交网络所构成的视图。为了方便描述，本发明以一个匿名社交网络和一个辅助社交网络构成的二视图作为一个实施例进行说明。

实施例3

作为一种可选方式，为了求解表示矩阵x⁽ⁱ⁾，本发明通过引入辅助变量使第一目标函数可分离，再采用inexactalm算法求解分离后的第一目标函数以求得x⁽ⁱ⁾，第一目标函数表示如下：

s.t.a⁽ⁱ⁾＝a⁽ⁱ⁾x⁽ⁱ⁾+e⁽ⁱ⁾,i＝1,2；

其中，||x⁽ⁱ⁾||*表示矩阵的核规范化形式；x⁽¹⁾表示匿名社交网络的表示矩阵，x⁽²⁾表示辅助社交网络的表示矩阵；a⁽¹⁾表示匿名社交网络的关系集；a⁽²⁾表示辅助社交网络的关系集；e⁽ⁱ⁾表示噪声项；||e⁽ⁱ⁾||2,1表示第i个视图的范数；λ表示噪声项的权衡参数；α表示正则化项的权衡参数；ω(x)表示正则化项。

实施例4

作为另一种可选方式，本实施例求解出对去匿名化更优的表示矩阵，直接对多视图网络的共同结构模式进行建模，定义如下网络表示模型，即第二目标函数：

其中，为公共表示矩阵的核规范化形式；λ表示噪声项的权衡参数；||e⁽ⁱ⁾||2,1表示第i个视图的范数；a⁽¹⁾表示匿名社交网络的邻接矩阵；a⁽²⁾表示辅助社交网络的邻接矩阵。

可选的，本实施例中λ＝0.1～0.5。

引入辅助变量来使第二目标函数可分离并求得第二目标函数分离后的增广拉格朗日函数，然后采用inexactalm算法解决第二目标函数的优化问题，最后求得

实施例5

本发明中，对于包含敏感关系的原始社交网络，可以将匿名社交网络和辅助社交网络视为不同视图中的投影。具体来说，投影策略定义如下：

(1)随机删除：直接将原始社交网络投影到匿名社交网络和辅助社交网络，其中每条边以的概率被删除；

(2)随机添加：将原始社交网络复制到匿名社交网络和辅助社交网络同时以的概率生成新边；

(3)随机添加和删除：以的概率随机添加和删除边来修改原始社交网络，产生匿名社交网络和辅助社交网络同时保持边的数量不变；

上述三种策略即为计算匿名边集时会用到的隐私保护策略i或者称为匿名策略i(·)，对于不同的隐私保护策略，用于计算的代码会有所不同。本发明中确定匿名策略的方式包括例如为了获取facebook中利用了哪一种隐私保护策略，只需将种子网络数据放入其中，再通过对比种子网络与生成的匿名社交网络即可得知具体是哪一种策略。

本发明的两种方法(实施例3和实施例4分别对应的方法)与两种最先进的单视图和多视图结构去匿名化方法进行了比较。其中，这四种方法的细节如下：

基于rpca的复原方法：rpca广泛用于子空间分割和异常值检测。因此，本发明通过在匿名社交网络上执行rpca来识别真实结构并推断匿名边集(为简单起见，称为“rpca”)。

基于lrr的复原方法：lrr是从一组损坏的观测值中恢复原始行空间的代表性方法。本发明利用lrr对匿名社交网络进行建模，其中匿名边被视为噪声，异常值和特定样本的损坏(为简单起见，称为“lrr”)。

mvlrr：本发明实施例3中采用的方法，该方法通过使用x⁽¹⁾来复原匿名社交网络，其中辅助社交网络通过正则化合并。

mvlrc：本发明实施例4中采用的方法，该方法通过使用来复原匿名社交网络，其中公共结构模式由一个特定的表示矩阵表示。

本发明与其他两种方法采用了email-euall数据库上的结果，其中email-euall数据库是从一个大型的，未公开的欧洲研究机构获得的，在287755个不同的电子邮件地址之间包含了3038531封电子邮件。每个节点表示发送或接收电子邮件消息的人，边表示从一个人向其他人发送或接收电子邮件。本发明将数据库视为一个简单的，权重为1的无向图。所有方法都从此数据库中随机抽样的大小在500-1500之间的网络中测试。按照采用前面介绍的策略对样本网络进行投影，以生成匿名社交网络和辅助社交网络。对每个样本网络，重复实验10次并计算平均准确度。

如表1所示，在不同匿名策略下的rpca，lrr，mvlrr和mvlrc，可以观测到本发明的多视图方法mvlrr和mvlrcc在可靠性方面优于单视图方法rpca和lrr。

表1email-euall数据库上不同隐私保护度k下不同算法的reliability值

结果表明，辅助社交网络对于去匿名化优化是有价值的，并且所提出的多视图框架对于补充信息建模是有效的。此外，表1显示了当只有匿名社交网络可用时，lrr优于rpca。这是因为lrr的表达能力比rpca强。对于基于多视图网络的网络结构去匿名化，表1说明了mvlrc优于mvlrr。具体而言，mvlrc通过一个特定的表示矩阵直接获得共同结构模式来确定去匿名化的结果。相比之下，mvlrr主要用于在辅助社交网络的协助下从匿名社交网络得到原始社交网络的结构模式。根据表1，随机添加匿名策略下的可靠性度量值随着隐私保护度k的增加而明显增加，这表明随机添加策略对于网络结构匿名化往往效率低下。另一方面，如表2所示，就auc度量而言的去匿名化结果，mvlrc方法一般能在最先进的方法中的各种隐私保护度k下获得最佳性能，且多视图去匿名化方法的性能优于单视图方法。

表2email-euall数据库上不同隐私保护度k下不同算法的auc(概率)值

除了去匿名化在准确性方面的优势外，mvlrc的另一个优点是它可以在参数范围很广的情况下良好的运行，如图3和图4所示，图中从左往右分别对应为rpca、lrr、mvlrr以及mvlrc方法，可以看出，mvlrc方法在参数λ在0.10到0.18之间变化时优于其他方法，如图3所示。此外，mvlrc方法对此数据集上的参数λ不敏感。随着样本网络的大小从500增加到1500，mvlrc在所有情况下都优于其他方法，如图4所示。图3email-euall数据库上不同设置下的不同算法的可靠性值，email-euall的匿名策略采用了随机添加和删除机制，其中隐私保护度k＝0.1。在图3中，网络大小＝1000。在图4中，权衡参数λ＝0.13。

为了测试mvlrc对网络结构去匿名化的有效性，本发明在视觉上比较了真正的匿名边集和已识别的匿名边，如图5和图6所示。在细节上，匿名社交网络中添加和删除的边即真正的匿名边集如图5所示。相比之下，在图6中，灰线为成功识别的边，黑线(较深)为未成功识别的边，可以看出，mvlrc方法可以正确识别大多数真正的匿名边。

图5和图6分别给出了email-euall网络中真实匿名边集和推断出的匿名边集的可视化结果。email-euall的匿名策略采用了随机添加和删除机制，其中隐私保护度k＝0.2，权衡参数λ＝0.13，网络大小＝1000。

匿名社交网络的隐私保护度k表示匿名链接的数量与原始社交网络链接的总数的比率。例如，随机删除策略中的k＝0.1意味着为原始社交网络匿名化删除了10％的原始社交网络链接。

作为一种可选方式，本发明通过从可用的社交网络中得到表示矩阵x^(*)以获得结构模式，再进行原始社交网络的重建的算法，算法描述如下：

输入匿名社交网络和辅助社交网络的邻接矩阵a⁽¹⁾,a⁽²⁾,权衡参数λ,匿名社交网络的隐私保护度k，匿名策略i(·)。

输出被推断出的匿名边集p。

具体的，根据求解目标函数获得原始社交网络的结构模式x^(*)；将a⁽¹⁾与a⁽¹⁾相乘得到原始社交网络o；计算差异边集s＝a⁽¹⁾-o；计算l＝φ(k,ψ(a⁽¹⁾)/2,i)估计匿名边集的大小；通过s中各项的绝对值|si,j|对他们进行排序，将排名前l的项作为被推断出的匿名边集p，其中负数项为删除的边，正数项为添加的边；输出推断出的匿名边集p。

对匿名社交网络采取上述算法进行复原后，还可以使用可靠性，auc指标直接对网络结构去匿名化性能进行评价。通过去匿名化算法识别的匿名边越多，reliability的值就越高；结构去匿名化性能越好，auc的值越高。reliability定义如下：

其中an是找到的添加的边的准确数量，dn是找到的删除的边的准确数量，tan和tdn分别是用于网络结构匿名化的添加的边和删除的边的总数。

可以理解的是，为了不再赘述，本发明中的方法、系统的部分特征可以相互引用，本发明不再重复限定。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：rom、ram、磁盘或光盘等。

以上所举实施例，对本发明的目的、技术方案和优点进行了进一步的详细说明，所应理解的是，以上所举实施例仅为本发明的优选实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内对本发明所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。