12、网络数据隐私风险评估与现实场景焦虑检测研究

网络数据隐私风险评估与现实场景焦虑检测研究

1. 网络数据隐私风险评估

1.1 实验数据集

使用斯坦福大学“斯坦福大型网络数据集集合”提供的 Facebook 数据集。该数据集包含节点特征（个人资料）、圈子和自我网络。节点已通过用新值替换每个用户的 Facebook 内部 ID 进行了匿名化处理，特征向量也已提供，但这些特征的解释已被匿名化。聚合所有数据后，得到一个包含 4039 个节点和 88234 条边的社交网络图，大约一半的个体拥有 30 个或更少的朋友/邻居。

1.2 隐私风险评估结果

模拟了不同背景知识配置值（k = 1, 2, 3, 4）下的攻击。将隐私风险离散为六个区间：[0.0]，(0.0, 0.1]，(0.1, 0.2]，(0.2, 0.3]，(0.3, 0.5] 和 (0.5, 1.0]。结果表明，随着背景知识配置值 k 的增加，高风险和低风险级别的个体数量通常会增加。对于大多数攻击，当 k 增加到 3 和 4 时会达到一个平台期。其中，邻域标签对攻击导致高风险个体数量大幅增加，而共同朋友攻击相对较弱，在每个 k 值设置下，许多个体都属于隐私风险级别 (0.0, 0.1]。这表明基本的拓扑信息（如直接邻域）足以进行强大的隐私攻击，即使少量信息也可能给整个网络带来重大风险。

攻击类型	背景知识配置值 k	低风险个体数量	高风险个体数量
邻域攻击	1