發(fā)布時間：2024-02-29 00:49

　　隨著大數(shù)據(jù)時代的到來,社交網(wǎng)絡上每天都會產(chǎn)生海量的信息,通過對這些數(shù)據(jù)進行挖掘和分析,可以很好的提升用戶體驗和服務質(zhì)量。然而,這些數(shù)據(jù)中往往包含著大量的個人隱私信息,如個人基本情況、社會關(guān)系等。所以,為了防止用戶的隱私信息遭到泄露,需要對這些數(shù)據(jù)進行一定的隱私保護后才能發(fā)布給第三方機構(gòu)進行研究。由于差分隱私具有嚴格的數(shù)學理論基礎,并且不依賴于攻擊者的任何背景知識,故其近年來得到了廣泛地研究和應用。社交網(wǎng)絡中的差分隱私保護模型有節(jié)點差分隱私保護和邊差分隱私保護兩種,而前者較后者可提供更高的隱私保護強度,因此本課題借助節(jié)點差分隱私保護模型,實現(xiàn)對社交網(wǎng)絡數(shù)據(jù)的隱私保護發(fā)布。由于應用節(jié)點差分隱私保護往往會帶來較高的全局敏感度,因此本文提出一種SNE(Sequence ofNodes and Edges)社交網(wǎng)絡圖處理算法。該算法主要通過構(gòu)建一種節(jié)點和邊相結(jié)合的排序規(guī)則,實現(xiàn)了對圖中節(jié)點和邊的穩(wěn)定排序,提升了算法的穩(wěn)定性。同時,根據(jù)節(jié)點度的閾值,將有序的邊依次插入到“初始化”后的社交網(wǎng)絡圖中,最終完成對社交網(wǎng)絡圖的處理。SNE算法通過對節(jié)點的度設定閾值,使得處理后的圖以可控的較低全局敏感度來滿...

【文章頁數(shù)】：68 頁

【學位級別】：碩士

【部分圖文】：

圖２．１差分隱私的統(tǒng)計學模型??Ｆｉｇ．?２．１?Ｓｔａｔｉｓｔｉｃａｌ?Ｍｏｄｅｌ?ｏｆ?Ｄｉｆｆｅｒｅｎｔｉａｌ?Ｐｒｉｖａｃｙ??

?大連海事大學專業(yè)學位碩士學位論文???１＾（０，）?＝?５］—?：?比率?ＵＸＰ⑷??Ｐｒ＼Ａ（Ｄ２）?＝?Ｓ＼??／－ｆＡ??Ｉ??圖２．１差分隱私的統(tǒng)計學模型??Ｆｉｇ．?２．１?Ｓｔａｔｉｓｔｉｃａｌ?Ｍｏｄｅｌ?ｏｆ?Ｄｉｆｆｅｒｅｎｔｉａｌ?Ｐｒｉｖａｃｙ??定義２．....

圖２．?２?Ｌａｐｌａｃｅ分布概率密度函數(shù)??Ｆｉｇ．?２．２?Ｐｒｏｂａｂｉｌｉｔｙ?Ｄｅｎｓｉｔｙ?Ｆｕｎｃｔｉｏｎ?ｏｆ?Ｌａｐｌａｃｅ?Ｄｉｓｔｒｉｂｕｔｉｏｎ??

?面向社交網(wǎng)絡的差分隱私保護發(fā)布算法研宄???其中，Ａ表示位置參數(shù)，６表示尺度參數(shù)，其值大于零。??＝?〇，?＾?＝?１????０．５?．?，?Ｈ?＝?０，辦＝２?■??Ｈ?＝?０，辦＝４????＼ｉ?＝?－５，ｂ?＝?４????０．４?－?－??■??０．２?－?／?＼?＇??....

圖２．?３差分隱私的組合性質(zhì)??

?面向社交網(wǎng)絡的差分隱私保護發(fā)布算法研宄???乂?＇?查詢?１?、￣￣￣一＂僉詢１??＿＾植卿?Ｌ?Ｄｌ?Ｊ￣￣＾響應腳??Ｄ?？＜?査詢２?Ｓ＝＝＝＝＝＝：＝ｉ＾?查詢２???？響應２（￡：２）?Ｄ２??？響應２（句??＾?〉??＾?＾????（ａ）乙＆＿差分隱私?（ｂ）?ｍａ....

圖３．?２癌癥患者年齡分布直方圖??Ｆｉｇ．?３．２?Ａｇｅ?Ｄｉｓｔｒｉｂｕｔｉｏｎ?Ｈｉｓｔｏｇｒａｍ?ｏｆ?Ｃａｎｃｅｒ?Ｐａｔｉｅｎｔｓ??

確描繪，直方圖將數(shù)據(jù)域劃分成若干個不相??交的區(qū)間，這些區(qū)間通常是等寬的，但由于數(shù)據(jù)集中不同數(shù)據(jù)特定屬性值的不同，導致??數(shù)據(jù)落在不同區(qū)間，因此，每個區(qū)間的頻度或計數(shù)就可以用來表示此數(shù)據(jù)集中特定屬性??值的分布情況。此外，通過直方圖發(fā)布的數(shù)據(jù)常被用來支持范圍計數(shù)查詢、聚集查詢、?....

本文編號：3914232