差分隐私与结构保持社交网络图发布的随机矩阵方法
密码学与安全
2013-07-02 v1 社会与信息网络
物理与社会
摘要
在线社交网络正被日益用于分析各种社会现象，如流行病学、信息传播、营销和情感流动。聚类和影响力节点分析等流行分析技术需要计算真实图邻接矩阵的特征向量。近期针对 Netflix 和 AOL 数据集的去匿名化攻击表明，开放访问此类图会带来隐私威胁。在各种隐私保护模型中，差分隐私提供了最强的隐私保证。在本文中，我们提出了一种用于发布社交网络图数据的隐私保护机制，该机制通过结合随机矩阵理论和差分隐私理论来满足差分隐私保证。其核心思想是利用随机投影方法将邻接矩阵的每一行投影到低维空间，然后用随机噪声扰动投影后的矩阵。我们表明，与现有的差分私有特征向量近似方法相比，我们的方法计算效率更高，保留了实用性并满足差分隐私。我们在 Facebook、Live Journal 和 Pokec 的社交网络图上评估了我们的方法。结果表明，即使对于高噪声方差值，由归一化互信息增益给出的聚类质量也低至 0.74。对于影响力节点发现，所提出的方法能够正确恢复 80% 的最具影响力节点。我们还将我们的结果与文献 [43] 中提出的一种方法进行了比较，该方法直接通过拉普拉斯噪声扰动原始数据的特征向量。结果表明，该方法需要大量的随机扰动以保持差分隐私，从而导致对大型社交网络特征向量的估计较差。
引用
@article{arxiv.1307.0475,
title = {A Random Matrix Approach to Differential Privacy and Structure Preserved Social Network Graph Publishing},
author = {Faraz Ahmed and Rong Jin and Alex X. Liu},
journal= {arXiv preprint arXiv:1307.0475},
year = {2013}
}