面向云计算环境的大规模社会网络隐私保护技术研究

Large-scale social networking privacy-preserving based on the MapReduce model for large-scale nodes tagged undirected social network graph can resist 1- neighborhood attack and research anonymous strategy; social networking privacy-preserving bipartite graph model ,based on BSP model,can effectively resist static attacks and empirical link attacks and study anonymous parallelization strategies; according to the needs of different individuals and different privacy attacker corresponding background knowledge ,using social networking personalized privacy protection technology design a new personalization privacy-preserving framework; Researching dynamic social network privacy-preserving technology to against multiple publishing disclosure of user privacy information in dynamic social network and the attack combined structured background knowledge and identification by the related of multiple publishing, in order to meet the high demands of the multiple graph data security publishing issues,we research anonymous strategy. To realize the efficient execution of parallel massive social network privacy-preserving, the key issues to be addressed are: how to load massive data, how to get the correct results of the graph data partition, how to improve the efficiency of data processing and privacy anonymity metrics and evaluation;The research on this will enrich and improve the massive social network privacy-preserving technology.

针对大规模社会网络隐私保护问题，基于MapReduce模型，针对大规模的节点带标签的无向社会网络图，可抵抗1-邻域攻击，研究匿名策略；基于BSP模型，针对社会网络隐私保护二分图模型，能够有效抵御静态攻击和经验性的链接攻击，研究并行化匿名策略；研究社会网络个性化隐私保护技术，根据不同个体的不同隐私需求以及相应攻击者的背景知识设计一种新的个性化隐私保护框架；研究动态社会网络隐私保护技术研究，针对动态社会网络多重发布中泄露用户的隐私信息，攻击者结合基于背景知识结构化攻击与多重发布之间的关联来识别目标个体，研究匿名策略，以满足高要求图数据多重发布的安全问题，实现对海量社会网络数据并行高效的执行。隐私保护拟解决的关键问题是：如何载入海量数据、基于分割的图数据如何得到正确结果、如何提高数据处理效率以及隐私匿名的度量与评价；上述问题的研究，丰富和完善了大规模社会网络隐私保护技术。

当前在线社交网络的规模越来越多的趋于几百万、上千万甚至上亿的超大规模，单工作站的社会网络算法的执行效率、数据处理能力均已不能满足大数据时代对社会网络分析的研究需求，因此，针对于大数据时代对社会网络分析的研究需求，面向云环境的大规模社会网络隐私保护技术具有远大的发展前景和广阔的进步空间。 .针对大规模社会网络隐私保护问题，基于MapReduce模型和BSP模型，研究并行化匿名策略，包括：基于Pregel-like的社会网络隐私保护技术，云环境下基于节点匿名的社会网络隐私保护技术，云环境下基于数据扰动的社会网络隐私保护技术，云环境下基于k-度匿名的分布式社会网络隐私保护技术，云环境下保护节点可达性的分布式社会网络扰动方法，云环境下基于k-核的大规模社会网络隐私保护技术，云环境下面向子图匹配的社会网络隐私保护技术研究；根据不同个体的不同隐私需求以及相应攻击者的背景知识，研究社会网络个性化隐私保护技术，包括：基于(θ, k)-匿名模型的个性化隐私保护技术，基于Pregel-like的个性化隐私保护技术，云环境下基于数据扰动的个性化社会网络隐私保护研究；针对动态社会网络多重发布中泄露用户隐私信息，攻击者结合背景知识与多重发布之间的关联来识别目标个体，研究动态社会网络隐私保护技术，包括：分布式动态社会网络m-标签匿名、k-度匿名隐私保护方法，基于预测链接的动态社会网络隐私保护技术研究，保护社区结构的大规模动态社会网络k-出入度匿名方法，保护社区结构的大规模动态社会网络度序列匿名方法。.上述问题的研究取得了很多研究成果，发表相关学术论文19篇，其中SCI期刊2篇、EI期刊5篇，EI会议2篇，中文核心期刊10篇，申请国家发明专利1项，出版专著1部。以上研究成果丰富和完善了大规模社会网络隐私保护技术。