隨著信息技術的發(fā)展,以Facebook、Twitter、微博為代表的社交網(wǎng)站以前所未有的發(fā)展速度收集了海量的用戶數(shù)據(jù),這些數(shù)據(jù)中蘊藏著巨大的價值,是企業(yè)的寶貴財富。如果將這些數(shù)據(jù)發(fā)布、共享出來,讓更多的人去分析與研究,將會為社會帶來更多的收益。然而這也可能會導致嚴重的隱私泄露問題。因此,出現(xiàn)了很多網(wǎng)絡數(shù)據(jù)隱私保護方法。關于網(wǎng)絡數(shù)據(jù)隱私的匿名保護,傳統(tǒng)研究成果主要集中在對數(shù)據(jù)的整體保護,即對所有節(jié)點都進行保護,并對它們設定相同的保護級別,雖然它們可以在一定程度上解決隱私問題,但是缺少針對性。因為在網(wǎng)絡數(shù)據(jù)中,不是所有的節(jié)點都具體相同的被攻擊可能性,攻擊者會根據(jù)自身需要和豐富的經(jīng)驗去選擇攻擊的目標。因此,用戶也需要根據(jù)攻擊者的攻擊意圖,去選擇需要保護的目標,還要根據(jù)自身的保護需求,去對不同的保護目標設定不同的保護級別。因此,針對上述需求,本文提出了一套基于k-匿名的網(wǎng)絡結構特征保護方法,其中共有三個算法,分別針對三種結構特征,即度數(shù)、中心指紋和子圖。用戶可以根據(jù)具體結構特征來定義需要保護的目標以及保護級別,算法以此來對網(wǎng)絡進行匿名化處理,從而解決目標的隱私暴露風險。 

【文章頁數(shù)】：61 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 課題背景
    1.2 國內(nèi)外研究發(fā)展趨勢
    1.3 本文工作
    1.4 本文結構安排
    1.5 本章小結
第2章 相關工作
    2.1 數(shù)據(jù)屬性與隱私泄露
        2.1.1 數(shù)據(jù)屬性
        2.1.2 隱私泄露
    2.2 隱私風險定義及識別方法
        2.2.1 k-匿名模型
        2.2.2 l-多樣性模型
        2.2.3 t-相近性
        2.2.4 k-度數(shù)
        2.2.5 k-自同構
        2.2.6 k-同構
    2.3 社交網(wǎng)絡隱私保護方法
        2.3.1 目標定義
        2.3.2 構建k-匿名度數(shù)序列
        2.3.3 根據(jù)度數(shù)序列構建圖
        2.3.4 實例演示
    2.4 本章小結
第3章 基于k-匿名的網(wǎng)絡結構特征保護算法
    3.1 背景介紹
    3.2 度數(shù)保護
        3.2.1 算法定義
        3.2.2 使用場景
        3.2.3 符號定義
        3.2.4 算法描述
        3.2.5 度數(shù)等價類匿名化
        3.2.6 基于節(jié)點信息的邊添加算法
        3.2.7 算法演示
    3.3 中心指紋保護
        3.3.1 中心指紋定義
        3.3.2 算法定義
        3.3.3 符號定義
        3.3.4 使用場景
        3.3.5 算法描述
        3.3.6 算法演示
    3.4 子圖保護
        3.4.1 子圖定義
        3.4.2 算法定義
        3.4.3 使用場景
        3.4.4 算法描述
        3.4.5 子圖匹配
        3.4.6 相似子圖查詢
        3.4.7 算法演示
    3.5 本章小結
第4章 實驗設計與實驗結果
    4.1 數(shù)據(jù)集
    4.2 評價指標
    4.3 實驗設計
        4.3.1 度數(shù)保護算法
        4.3.2 中心指紋保護算法
        4.3.3 子圖保護算法
    4.4 實驗結果與分析
        4.4.1 算法性能對比
        4.4.2 算法結果質(zhì)量對比
        4.4.3 實驗總結
        4.4.4 本章小結
第5章 總結與展望
    5.1 全文總結
    5.2 未來工作展望
參考文獻
攻讀碩士學位期間的主要研究成果
致謝



本文編號：3727312