基于学习的隐私保护图发布方法抵御敏感链接推断攻击
密码学与安全
2025-07-31 v1
摘要
发布图数据是广泛期望的，因为它能够支持各种结构分析和下游任务。然而，这也可能带来严重的隐私泄露，因为攻击者可能利用发布的图数据发起攻击，并精确推断出私有信息，例如图中隐藏的敏感链接的存在。先前关于隐私保护图数据发布的研究依赖于启发式的图修改策略，并且难以确定具有最优隐私-效用权衡的图进行发布。相比之下，我们提出了第一个针对敏感链接推断攻击的隐私保护图结构学习框架，命名为PPGSL，它可以自动学习具有最优隐私-效用权衡的图。PPGSL的工作原理是，首先模拟一个强大的替代攻击者对给定图进行敏感链接攻击。然后，它训练一个参数化的图来防御模拟的对抗攻击，同时保持原始图的良好效用。为了学习PPGSL两部分的参数，我们引入了一个安全的迭代训练协议。它可以增强隐私保护，并确保训练过程中的稳定收敛，这得到了理论证明的支持。此外，我们结合了多种加速技术来提高PPGSL处理大规模图的效率。实验结果证实，PPGSL实现了最先进的隐私-效用权衡性能，并有效阻止了各种敏感链接推断攻击。
引用
@article{arxiv.2507.21139,
title = {Learning-based Privacy-Preserving Graph Publishing Against Sensitive Link Inference Attacks},
author = {Yucheng Wu and Yuncong Yang and Xiao Han and Leye Wang and Junjie Wu},
journal= {arXiv preprint arXiv:2507.21139},
year = {2025}
}