基于节点-邻居图相似性的社会网络匿名技术
利用传统的k匿名技术在社会网络中进行隐私保护时会存在聚类准则单一、图中数据信息利用不足等问题.针对该问题,提出了一种利用Kullback-Leibler(KL)散度衡量节点1-邻居图相似性的匿名技术(anonymization techniques for measuring the similarity of node 1-neighbor graph based on Kullback-Leibler divergence,SNKL).根据节点1-邻居图分布的相似性对原始图节点集进行划分,按照划分好的类进行图修改,使修改后的图满足k匿名,完成图的匿名发布.实验结果表明,SNKL方法与HIGA方法相比在聚类系数上的改变量平均降低了17.3％,同时生成的匿名图与原始图重要性节点重合度保持在95％以上.所提方法在有效保证隐私的基础上,可以显著的降低对原始图结构信息的改变.
隐私保护、社会网络、概率不可区分性、k匿名、1-邻居图、网络安全
31
TP301;D923.8;C913.9
国家自然科学基金;国家自然科学基金;国家自然科学基金;福建省科技项目;企事业合作项目
2022-11-16（万方平台首次上网日期，不代表论文的发表时间）
共10页
21-30
