20、k-匿名性和ℓ-多样性在在线社交网络数据发布中的应用

k-匿名性和ℓ-多样性在在线社交网络数据发布中的应用

1. 引言

近年来，像Facebook和LinkedIn这样的在线社交网络（OSN）越来越受欢迎，因为它们方便了人们与家人和朋友建立联系。这些社交网络允许用户创建个人资料，并与大量朋友分享个人信息，甚至陌生人也能看到这些信息。然而，用户的私人信息在这些网络中面临着严重的暴露风险。

当社交网络所有者将用户数据分享给第三方（如商业公司和社会学家）时，用户隐私可能会受到威胁。第三方会分析这些数据以满足特定需求，例如公司利用数据进行产品推广，社会学家通过分析数据了解现实世界中社会群体的演变。第三方获取数据的方式主要有两种：一是通过社交网络所有者提供的公共接口爬取数据，二是向定期发布数据的社交网络所有者请求数据。

这种信息共享引发了用户对隐私泄露的担忧。如果不能有效保护用户隐私，不仅会严重影响社交网络的受欢迎程度，还会限制社交网络所有者与第三方分享数据的意愿。

社交网络中存在两种可能侵犯用户隐私的攻击类型：被动攻击和主动攻击。
- 被动攻击 ：攻击者仅通过数据分析来推断用户的私人信息。
- 主动攻击 ：攻击者采取超越静态数据挖掘和分析的行动。例如，攻击者在数据发布前创建具有特殊拓扑结构的子图，通过搜索该子图重新识别自己，进而识别其他正常用户；还有一种“窃取现实攻击”，攻击者先将恶意软件注入网络节点，逐步模仿节点邻居，最终窃取社交网络的拓扑属性。

本文主要关注在向第三方发布社交网络数据时的被动攻击，并从社交网络所有者的角度讨论隐私保护技术。简单地在发布数据前删除用户信息虽然能保护隐私，但会破坏数据对第三方