[發(fā)明專利]一種基于信念網(wǎng)絡的靶向型隱私保護數(shù)據(jù)發(fā)布方法

有效

• 申請?zhí)枺?/td>: 202110050995.2
• 申請日: 2021-01-14
• 公開（公告）號: CN112822004B
• 公開（公告）日: 2022-12-06
• 發(fā)明（設計）人: 周志剛;白增亮;苗鈞重;余翔湛
• 申請（專利權(quán)）人: 山西財經(jīng)大學
• 主分類號: H04L9/00
• 分類號: H04L9/00;H04L9/40
• 代理公司: 太原申立德知識產(chǎn)權(quán)代理事務所(特殊普通合伙) 14115
• 代理人: 程園園

1.一種基于信念網(wǎng)絡的靶向型隱私保護數(shù)據(jù)發(fā)布方法，其特征在于，包括以下步驟：

步驟1，抗微隱私泄露的信念網(wǎng)絡的生成策略：采用對抗式學習架構(gòu)構(gòu)建能生成與原數(shù)據(jù)集同模態(tài)數(shù)據(jù)的信念網(wǎng)絡，與個體用戶相對應的隱私稱為微隱私；

具體步驟為：

步驟1.1，通過對原數(shù)據(jù)分別進行抽樣，應用基于爬山法的信念網(wǎng)絡生成算法形成初代的辨識器J₁和生成器G₁；

步驟1.2，初代辨識器和生成器各自計算其相應信念網(wǎng)絡的BIC評分，分別記為J₁_BIC、G₁_BIC；若W(J₁_BIC，G₁_BIC)ε，其中W(*)是對BIC評分設計的統(tǒng)計量，ε為差異閾值，ε0，或J₁_BICG₁_BIC，則對生成器版本進行更新，通過自舉法追加數(shù)據(jù)樣本，以提升其信念網(wǎng)絡的表示能力；反之，則以相似的方式更新辨識器的版本；通過對抗式學習迭代地更新辨識器和生成器，直至出現(xiàn)某代生成器G_k使得其在連續(xù)兩次對抗學習中有W(J_h_BIC，G_k_BIC)≤ε且W(J_h+1BIC，G_kBIC)≤ε，終止迭代；步驟2，信念網(wǎng)絡的層次結(jié)構(gòu)編碼：針對信念網(wǎng)絡中非敏感屬性節(jié)點所構(gòu)成節(jié)點集合在信念網(wǎng)絡中的相對位置，對其進行縱向編碼和橫向編碼，通過編碼來對各個節(jié)點在信念網(wǎng)絡中的影響力進行排序；

所述縱向編碼包括兩個階段：自底向上的編碼階段和自頂向下的修正階段；

所述自底向上的編碼階段的具體步驟為：

步驟2.1，所有節(jié)點的層次結(jié)構(gòu)最初標記為零，從葉節(jié)點開始連續(xù)標記，并逐步跟蹤相應的父節(jié)點，在每個輪次中，當子節(jié)點的層次結(jié)構(gòu)為q時，父節(jié)點的層次結(jié)構(gòu)將標記為q+1；

步驟2.2，對于非葉節(jié)點僅記錄當前最大編碼，即若該節(jié)點的編碼非0，則比較新的編碼與原編碼，保留大者，若兩者相等，則停止對該節(jié)點的向上回溯，看葉節(jié)點隊列是否為空，若為空，則停止；

步驟2.3，提取下一個葉節(jié)點進行標記，直到葉節(jié)點序列為空；

所述自頂向下的修正階段的具體步驟為：

步驟3.1，按層次結(jié)構(gòu)對所有節(jié)點進行從大到小的排序，并將所有節(jié)點編碼初始化為未標記；

步驟3.2，提取節(jié)點序列中層次結(jié)構(gòu)最大的未標記節(jié)點，并將該節(jié)點作為在廣度上遍歷圖形的起點，逐級向下廣度優(yōu)先遍歷，在每一輪中，當父節(jié)點的層次結(jié)構(gòu)為q時，子節(jié)點的層次結(jié)構(gòu)將標記為q-1；

步驟3.3，將q_old表示的節(jié)點的當前層次結(jié)構(gòu)的數(shù)值大小與新派生的節(jié)點q_new表示的節(jié)點的數(shù)值大小進行比較，當q_oldq_new時，將節(jié)點的層次結(jié)構(gòu)設置為q_new，并將該節(jié)點設為已標記；當q_old＝q_new且該節(jié)點為已標記時，此節(jié)點的向下遍歷將提前終止；

步驟3.4，將繼續(xù)提取下一個未標記的節(jié)點，直到序列中沒有未標記的節(jié)點；

所述橫向編碼采用動態(tài)編碼方式，且編碼的范疇為縱向編碼中的同層節(jié)點，所述動態(tài)編碼是指該節(jié)點的橫向編碼與隱私節(jié)點的相對位置相關，且數(shù)據(jù)擁有者對不同用戶所設定的隱私節(jié)點亦不相同，假設數(shù)據(jù)擁有者對用戶的隱私限制已經(jīng)設定，以縱向編碼為基礎，隱私節(jié)點p_s為目標對象，具體步驟如下：

步驟4.1，以縱向編碼相同的節(jié)點集合X{X₁,X₂,...X_k}為論域，統(tǒng)計的所有子孫節(jié)點數(shù)量，即以X_i節(jié)點為根節(jié)點，統(tǒng)計向下有向邊直連和間接連的節(jié)點的數(shù)據(jù)，記為X_i.nodes；

步驟4.2，以隱私節(jié)點X_s為目標對象，計算與X_s的最小連邊數(shù)量，記為p_i.edgs；

步驟4.3，的橫向編碼為α×X_i.nodes+β×X_i.edgs，其中α+β＝1；

步驟3，基于辨識矩陣的屬性篩選：從信念網(wǎng)絡采樣數(shù)據(jù)，構(gòu)建屬性節(jié)點辨識矩陣，挖掘信念網(wǎng)絡中非敏感屬性節(jié)點所構(gòu)成節(jié)點集合間相對于敏感屬性節(jié)點概率分布的影響程度，并以此為依據(jù)對信念網(wǎng)絡中非敏感屬性節(jié)點所構(gòu)成節(jié)點集合排序，借助辨識矩陣，提出一種以尋求屬性差異貢獻最大化作為啟發(fā)式規(guī)則的貪心策略；

所述啟發(fā)式規(guī)則的貪心策略，具體步驟如下：

步驟5.1，首先以構(gòu)建的信念系統(tǒng)T(X，A^I，F(xiàn)，A^S)為模板，生成n條與源數(shù)據(jù)同模態(tài)的數(shù)據(jù)集T′(Y，A^I，F(xiàn)，A^S)，僅針對敏感屬性中的敏感值進行宏隱私保護，即在數(shù)據(jù)集Y中，將敏感屬性AS中所有不含敏感值的記錄從中刪除，將剩余的數(shù)據(jù)集記為Y′，對非個體用戶相對應的信息稱為宏隱私；

步驟5.2，對數(shù)據(jù)集T′(Y′，AI，F(xiàn)，A^S)，構(gòu)建相應的辨識矩陣D_S，將辨識矩陣及相應的下三角矩陣都記為D_S；

步驟5.3，構(gòu)建辨識超圖G(V，E)，其中，V為信息系統(tǒng)T(X，A^I，F(xiàn)，A^S)中信息屬性A^I所構(gòu)成的頂點集合，E是超邊的集合，每一條超邊表示辨識矩陣D_S的一個項集；

步驟5.4，消解辨識超圖，首先尋找所有的獨立超邊，其公式如下：

若存在獨立超邊e，則任取其上頂點作為代表節(jié)點，結(jié)合信念網(wǎng)絡判斷該節(jié)點到敏感屬性節(jié)點的推理概率是否滿足辨識閾值，若滿足，則將所對應的頂點集以任意順序形成一顆單分支樹L結(jié)構(gòu)，并將獨立超邊刪除，否則，直接將該獨立超邊刪除；然后迭代地從剩余辨識超圖中選取隸屬超邊數(shù)量最多的超邊，其公式如下：

將其所擁有的屬性頂點作為兄弟節(jié)點尾接到L的所有葉節(jié)點，并刪除所有含有候選集節(jié)點的超邊，如此迭代，直至超圖G(V，E)中不含有超邊為止；

步驟5.5，L中從樹根節(jié)點到每一個葉節(jié)點的路徑形成一條信息屬性到敏感屬性的推理鏈，結(jié)合信念網(wǎng)絡，計算L中節(jié)點間的關聯(lián)概率，若推理鏈中邊關聯(lián)概率的乘積大于等于設定的辨識閾值，則稱該推理鏈是可辨識的；否則，刪除鏈尾節(jié)點，直至達到可辨識要求，將所有可辨識鏈路所形成的最長公共子鏈所包含的屬性節(jié)點集稱為核心信息屬性集L中所有非核心信息屬性集所構(gòu)成的屬性集稱為相對重要信息屬性集

步驟4，(d,l)-privacy隱私保護機制：綜合信念網(wǎng)絡中非敏感屬性節(jié)點所構(gòu)成節(jié)點集合排序及其編碼信息，選出當前輪次對隱私屬性節(jié)點數(shù)據(jù)概率分布影響最大且對全局網(wǎng)絡影響最小的信念網(wǎng)絡中非敏感屬性節(jié)點所構(gòu)成節(jié)點集合，并對其使用(d,l)-privacy隱私保護機制進行匿名化保護，其中d表示對原信念網(wǎng)絡的單位隱私保護操作次數(shù)，l表示所涉修改信息屬性的最小個數(shù)且l≤d；

步驟5，基于n-order多網(wǎng)絡融合的隱私保護機制：以多個信念網(wǎng)絡的公共節(jié)點為基節(jié)點集，構(gòu)建n-order候選節(jié)點集，即以基節(jié)點集為中心，最短跳數(shù)n為半徑的圓域節(jié)點作為候選節(jié)點集元素，然后以該n-order候選節(jié)點集為論域，構(gòu)建相應的信念子網(wǎng)絡，并將其替換原信念網(wǎng)絡中對應的子網(wǎng)絡。