去中心化社交图上的隐私保护分析：以特征分解为例

社交图分析能够为社区检测、欺诈检测和兴趣挖掘等众多领域提取有价值的知识和洞察。在实践中，去中心化社交图频繁出现，其中社交图并非对单一实体可用，而是分散在大量用户之间，每个用户仅持有关于整个图的有限局部视图。收集这些局部视图以进行去中心化社交图分析引发了严重的隐私问题，因为它们编码了关于个体间社交互动的私人信息。在本文中，我们设计、实现并评估了 PrivGED，这是一个旨在对去中心化社交图进行隐私保护分析的新系统。PrivGED 专注于支持特征分解，这是一项流行且基础的图分析任务，可在社交图的邻接矩阵上产生特征值/特征向量，并有益于各种实际应用。PrivGED 建立在对图分析、轻量级密码学和差分隐私的深刻洞察的巧妙协同之上，允许用户安全地贡献其在去中心化社交图上的局部视图，以用于基于云的特征分解分析服务，同时获得强大的隐私保护。在真实世界社交图数据集上的大量实验表明，PrivGED 实现了与明文域相当的准确性，并具有实际可承受的性能，优于现有技术。