文献类型：期刊文章

作　　者：高瑞[1] 陈学斌[1] 谷铮[1] 邹元怀[1]

GAO Rui;CHEN Xuebin;GU Zheng;ZOU Yuanhuai(College of Science,Hebei Key Laboratory of Data Science and Application,Tangshan Key Laboratory of Data Science,North China University of Science and Technology,Tangshan 063210,China)

机构地区：[1]华北理工大学理学院,河北省数据科学与应用重点实验室,唐山市数据科学重点实验室,河北唐山063210

出　　处：《太原理工大学学报》

基　　金：国家自然科学基金资助项目(U20A20179)。

年　　份：2024

卷　　号：55

期　　号：1

起止页码：163-171

语　　种：中文

收录情况：BDHX、BDHX2023、JST、SCOPUS、ZGKJHX、核心刊

摘　　要：【目的】针对现有本地化差分隐私社交网络图生成算法中直接扰动邻居列表的方法会导致引入过多噪声且隐私保护程度不均衡的问题,提出了一种满足个性化的本地差分隐私社交网络图生成方法(GPDP)。【方法】首先,使用传统的社区发现算法Louvain对原始社交网络图进行划分,保留社区信息;其次,对于划分后的社区根据其社区内部平均权重度比值作为新的隐私预算参数分配给每个节点;然后,每个节点根据新的隐私预算各自扰动其邻居列表,同时利用随机邻接位向量(RABV)方法降低通讯成本;最后合并邻居列表形成生成图。【结果】通过在真实数据集上的实验结果表明,该算法在发布合成图数据时保证了数据隐私性和可用性的均衡,同时保留了更多的社区结构信息。

关 键 词：个性化差分隐私  社交网络 隐私保护  合成图生成  

分 类 号：TP309.2]