44、保护社交网络中敏感关系免受推理攻击

保护社交网络中敏感关系免受推理攻击

1. 研究背景与相关工作

随着社交网络的日益普及，在保留数据挖掘和分析的数据实用性的同时，保护社交网络中的隐私信息已成为一个备受关注的问题。社交网络中的隐私攻击主要分为两类：顶点重新识别攻击和链接重新识别攻击。

• 顶点重新识别攻击 ：攻击者利用与目标个体相关的子图作为背景知识，识别已发布网络中顶点的身份。针对此类攻击，不同学者提出了不同的防御方法，如Liu等人提出k - 度来防止基于顶点度的隐私攻击；Zhou等人通过对每个顶点的1 - 邻域子图进行匿名化来提供身份隐私保护；Hay和Campan通过将顶点聚类成超级顶点来保护身份隐私；Zou等人提出了K - 自同构隐私保护模型。
• 链接重新识别攻击 ：攻击者旨在识别社交网络中个体之间的敏感关系。不同学者也提出了多种策略，如Zheleva等人讨论了一些防止敏感边披露的隐私保护策略，但不能保证链接隐私的保护；Ying等人研究了通过随机添加、删除和交换边来进行图随机化，但不能提供可量化的隐私保护；Cormode等人提出了一种基于置换的方法来保护二分图中链接的隐私；Bhagat等人改进了相关工作，基于顶点分组研究图匿名化以保护链接隐私。
• 综合保护框架 ：近期的工作开始关注提出通用框架来同时保护身份和链接隐私。例如，Cheng等人研究如何将发布图划分为相互同构的不相交k个子图，以确保识别身份和敏感链接的概率最多为1/k；Yuan等人给出了一个解决方案，以满足不同的隐私保护级别需求。

然而，上述研究都假设攻击者利用目标个体相关