具有细粒度隐私保护的去中心化在线社交网络图分析
密码学与安全
2022-12-13 v1
摘要
图分析者无法直接获取去中心化社交网络中的全局结构,分析此类网络需从个体用户处收集社交图的局部视图。由于用户间边可能泄露局部视图中的敏感社交交互,在数据收集过程中应用差分隐私通常是可取的,其提供强而严谨的隐私保证。在实际去中心化社交图中,因敏感度级别不同,不同边具有不同隐私需求。然而,现有社交图的差分隐私分析对所有边提供相同保护。为解决该问题,本工作提出一种细粒度隐私概念及用于私有图分析的新算法。我们首先设计一种面向社交图分析的细粒度关系差分隐私(FGR-DP)概念,对具有不同隐私需求的边实施不同保护。随后,我们分别设计三角形计数与k-stars计数的算法,可在对社交边给予细粒度保护下准确估计子图计数。我们还分析了估计误差的上界,包括k-stars与三角形计数,并展示其相比现有最优方法的优越性能。最后,我们在两个真实社交图数据集上开展广泛实验,证明所提满足FGR-DP的机制因更细粒度保护而具有优于现有最优机制的实用性。
引用
@article{arxiv.2212.05253,
title = {Graph Analysis in Decentralized Online Social Networks with Fine-Grained Privacy Protection},
author = {Lele Zheng and Bowen Deng and Tao Zhang and Yulong Shen and Yang Cao},
journal= {arXiv preprint arXiv:2212.05253},
year = {2022}
}