论文部分内容阅读
伴随着人们个性化自我展示需求的日益增长，越来越多的用户加入到社交网络中，社交网络的用户数和数据规模呈爆炸式增长。社交网络数据中蕴含着丰富的用户偏好信息、行为模式以及社交模式等，因其蕴含巨大价值，受到领域专家和厂商的密切关注。但是目前社交网络用户在信息分享的同时，面临着严峻的隐私泄露威胁。用户在社交网络中的行为构成用户独一无二的“指纹”，导致用户身份隐私泄露;此外，用户的敏感属性及偏好等信息也可以被挖掘出来，造成隐私泄露。如何使得数据的潜在价值得到最大程度发挥的同时保证用户的隐私，成为近年来关注的焦点问题。 本文针对社交网络隐私保护相关技术进行了研究，取得了如下成果: 1)针对当前社交网络数据发布方法缺乏对用户身份信息、敏感属性信息（如薪资、学历等）和社交信息的综合隐私保护的问题，提出了一种基于聚类的面向社交网络隐私保护的数据发布方法。该方法对社交网络中用户身份信息、敏感属性信息和社交信息提供综合化的隐私保护，在保证数据可用性的同时，防止用户身份信息、敏感属性信息以及社交信息泄露。 2)针对当前基于社交网络地理位置信息进行用户去匿名攻击的问题，提出了两种基于地理位置信息的时空感知的重识别方法。与现有方法相比，该方法在为用户的行为模式进行建模的过程中实现了时空信息的结合，有效地提高了用户重识别的准确率，为进一步优化隐私保护方法提供了重要依据。 3)针对当前利用社交网络地理位置数据进行用户敏感位置推理的问题，提出了一种基于空间属性的敏感位置推理方法。该方法充分考虑地理位置的空间属性，基于协同过滤原理对用户敏感位置进行推理，大幅压缩用户预测空间的同时，仍然能获得更高的预测准确率。 4)针对当前社交网络数据存储中缺乏形式化安全策略模型支持的问题，提出了一种基于PVS语言的数据库形式化安全策略模型建模和分析方法。该方法抽象层次适中，对系统状态与约束充分描述，可辅助应用提供商发现设计中的微小缺陷。较以往模型具有灵活的可扩展性，并且保证了建模与验证的效率。