主页期刊介绍编委会编辑部服务介绍道德声明在线审稿编委办公编辑办公English
2018-2019年专刊出版计划 微信服务介绍 最新一期:2018年第12期
     
在线出版
各期目录
纸质出版
分辑系列
论文检索
论文排行
综述文章
专刊文章
美文分享
各期封面
E-mail Alerts
RSS
旧版入口
中国科学院软件研究所
  
投稿指南 问题解答 下载区 收费标准 在线投稿
姜火文,占清华,刘文娟,马海英.图数据发布隐私保护的聚类匿名方法.软件学报,2017,28(9):2323-2333
图数据发布隐私保护的聚类匿名方法
Clustering-Anonymity Approach for Privacy Preservation of Graph Data-Publishing
投稿时间:2016-06-28  修订日期:2017-01-06
DOI:10.13328/j.cnki.jos.005178
中文关键词:  社交网络  隐私保护  聚类匿名  属性图  数据发布
英文关键词:social network  privacy preservation  clustering-anonymity  attribute graph  data-publishing
基金项目:国家自然科学基金(61762044,71561013,61402244);江西科技师范大学重点科研项目(2016XJZD002)
作者单位E-mail
姜火文 同济大学 计算机科学与技术系, 上海 200092
江西科技师范大学 数学与计算机科学学院, 江西 南昌 330038
嵌入式系统与服务计算教育部重点实验室(同济大学), 上海 200092 
hwjiang@tongji.edu.cn 
占清华 江西科技学院 信息工程学院, 江西 南昌 330098  
刘文娟 同济大学 计算机科学与技术系, 上海 200092
嵌入式系统与服务计算教育部重点实验室(同济大学), 上海 200092 
 
马海英 南通大学 计算机科学与技术学院, 江苏 南通 226019  
摘要点击次数: 1310
全文下载次数: 882
中文摘要:
      社交网络中积累的海量信息构成一类图大数据,为防范隐私泄露,一般在发布此类数据时需要做匿名化处理.针对现有匿名方案难以防范同时以结构和属性信息为背景知识的攻击的不足,研究一种基于节点连接结构和属性值的属性图聚类匿名化方法,利用属性图表示社交网络数据,综合根据节点间的结构和属性相似度,将图中所有节点聚类成一些包含节点个数不小于k的超点,特别针对各超点进行匿名化处理.该方法中,超点的子图隐匿和属性概化可以分别防范一切基于结构和属性背景知识的识别攻击.另外,聚类过程平衡了节点间的连接紧密性和属性值相近性,有利于减小结构和属性的总体信息损失值,较好地维持数据的可用性.实验结果表明了该方法在实现算法功能和减少信息损失方面的有效性.
英文摘要:
      A huge amount of information in social network has accumulated into a kind of big graph data. Generally, to prevent privacy leakage, the data to be published need to be anonymized. Most of the existing anonymization scheme cannot prevent such attacks by background knowledge of both structure and attribute information among nodes. To address the issue, this investigation proposes a clustering-anonymization method for attribute-graph based on link edges and attributes value among nodes. Firstly, the data in the social network is represented by attribute graph. Then all the nodes of this attribute graph are clustered into certain super-nodes according to structural and attribute similarity between two nodes, each of which contains no less than k nodes. Finally, all the super-nodes are anonymized. In this method, the structure masking and attribute generalization for every super-nodes can respectively prevent all the recognition attacks by background knowledge of goals' linkages and attribute information. In addition, it balances the closeness of links among nodes and proximity of attributes value during clustering, therefore can reduce the total loss of information triggered by masking and generalization to maintain the availability of these graph data. Experiment results also demonstrate the approach achieves great algorithm performance and reduces information loss remarkably.
HTML  下载PDF全文  查看/发表评论  下载PDF阅读器
 

京公网安备 11040202500064号

主办单位:中国科学院软件研究所 中国计算机学会
编辑部电话:+86-10-62562563 E-mail: jos@iscas.ac.cn
Copyright 中国科学院软件研究所《软件学报》版权所有 All Rights Reserved
本刊全文数据库版权所有,未经许可,不得转载,本刊保留追究法律责任的权利