[發(fā)明專利]面向社交網(wǎng)絡(luò)的高可用性K-匿名數(shù)據(jù)處理方法、裝置、電子設(shè)備及存儲介質(zhì)

在審

• 申請?zhí)枺?/td>: 202110751023.6
• 申請日: 2021-07-02
• 公開（公告）號: CN113486396A
• 公開（公告）日: 2021-10-08
• 發(fā)明（設(shè)計）人: 朱娜斐;王俊雯;何涇沙;王賀文;李越
• 申請（專利權(quán)）人: 北京工業(yè)大學(xué)
• 主分類號: G06F21/62
• 分類號: G06F21/62;G06K9/62
• 代理公司: 北京匯信合知識產(chǎn)權(quán)代理有限公司 11335
• 代理人: 王維新

本發(fā)明公開了一種面向社交網(wǎng)絡(luò)的高可用性K?匿名數(shù)據(jù)處理方法、裝置、電子設(shè)備及存儲介質(zhì)，屬于數(shù)據(jù)安全技術(shù)領(lǐng)域，包括基于社交網(wǎng)絡(luò)，構(gòu)建社交網(wǎng)絡(luò)的無向圖，無向圖中每個節(jié)點對應(yīng)代表每個用戶，任意兩個節(jié)點間的連線代表對應(yīng)兩個用戶的結(jié)構(gòu)關(guān)系；對每個用戶進行相似性分析，獲取用戶之間的相似度值；根據(jù)用戶之間的相似度值對用戶進行聚類，獲得初始的聚類集合；K匿名形成超級節(jié)點；對超級節(jié)點匿名發(fā)布。本發(fā)明本發(fā)明通過相似度來將用戶進行聚類，且將聚集程度最大的節(jié)點來選擇初始種子節(jié)點，使得該方法的可用性有了明顯增強。

技術(shù)領(lǐng)域

本發(fā)明屬于數(shù)據(jù)安全技術(shù)領(lǐng)域，特別涉及一種面向社交網(wǎng)絡(luò)的高可用性K-匿名數(shù)據(jù)處理方法、裝置、電子設(shè)備及存儲介質(zhì)。

背景技術(shù)

目前K-匿名算法已經(jīng)在關(guān)系型數(shù)據(jù)上廣泛應(yīng)用，在社交網(wǎng)絡(luò)也有一定的應(yīng)用，但是社交網(wǎng)絡(luò)是一個錯綜復(fù)雜的網(wǎng)絡(luò)，其中的節(jié)點，邊和節(jié)點之間的關(guān)系都包含了大量的隱私信息，傳統(tǒng)的K-匿名數(shù)據(jù)保護技術(shù)在社交網(wǎng)絡(luò)不太適用。存在以下一些不足之處：現(xiàn)在有信息保護算法考慮用戶信息不全面，在一定程度上對數(shù)據(jù)造成破壞或缺失；在選取K-匿名算法的初始節(jié)點時，沒有考慮到社交網(wǎng)絡(luò)的特性，隨機選取，導(dǎo)致數(shù)據(jù)信息損失嚴重；現(xiàn)有的信息保護算法沒有明確的考慮到用戶真實需要的信息保護力度，導(dǎo)致對于節(jié)點的保護失衡，使其數(shù)據(jù)有效性降低。

發(fā)明內(nèi)容

針對上述存在的問題，本發(fā)明提供一種面向社交網(wǎng)絡(luò)的高可用性K-匿名數(shù)據(jù)處理方法、裝置、電子設(shè)備及存儲介質(zhì)。

一種面向社交網(wǎng)絡(luò)的高可用性K-匿名數(shù)據(jù)處理方法包括：

基于社交網(wǎng)絡(luò)，構(gòu)建所述社交網(wǎng)絡(luò)的無向圖，所述無向圖中每個節(jié)點對應(yīng)代表每個用戶，任意兩個節(jié)點間的連線代表對應(yīng)兩個用戶的結(jié)構(gòu)關(guān)系；

對每個所述用戶進行相似性分析，獲取所述用戶之間的相似度值；

根據(jù)所述用戶之間的相似度值對所述用戶進行聚類，獲得初始的聚類集合；

K匿名形成超級節(jié)點；

對所述超級節(jié)點匿名發(fā)布；

其中，K匿名形成超級節(jié)點包括：

根據(jù)公式計算所述節(jié)點在所述無向圖中的聚集程度：

其中，k為所述節(jié)點v_i的所有相鄰節(jié)點的個數(shù)，n為所述節(jié)點v_i的所有相鄰節(jié)點之間相互連接的邊的個數(shù)；

選取聚集程度最大的節(jié)點位于的聚類集合，判斷所述聚類集合中的所述節(jié)點數(shù)量是否大于等于設(shè)定的隱私水平K；若符合，則所述聚集程度最大的節(jié)點為初始種子節(jié)點；若不符合，則選取與所述聚集程度最大的節(jié)點距離最大的節(jié)點位于的聚類集合進行判斷，依次類推，直至選到符合的初始種子節(jié)點；

計算所述初始種子節(jié)點和每個所述節(jié)點的距離，選擇最近的節(jié)點合并為超級節(jié)點；

重復(fù)合并為所述超級節(jié)點的過程，直至當(dāng)前所述超級節(jié)點包含的節(jié)點數(shù)量達到設(shè)定的隱私水平K；

去除所述超級節(jié)點包含的所有節(jié)點，重復(fù)生成超級節(jié)點直至剩余的節(jié)點數(shù)量小于設(shè)定的隱私水平K；

分別計算所述剩余的節(jié)點與之前生成的所述超級節(jié)點的距離，并逐個將所述剩余的節(jié)點分別合并到距離最小的所述超級節(jié)點中，直至所有的節(jié)點均聚類成所述超級節(jié)點。

優(yōu)選的是，對每個所述用戶進行相似性分析，獲取所述用戶之間的相似度值包括：

分別計算所述用戶的文本信息的相似度、結(jié)構(gòu)信息相似度以及屬性信息相似度；

并根據(jù)公式獲得所述用戶之間的相似度；

相似度值＝a*文本信息相似度+b*結(jié)構(gòu)信息相似度+c*屬性信息相似度；