[发明专利]一种高效的隐私保护子图查询处理方法

权利要求书

1.一种高效的隐私保护子图查询处理方法，其特征在于，具体步骤如下：

(一)将原始的图通过k-automorphism模型构造成一个高度对称的图：

对于给定的数据图G和查询子图Q,根据k-automorphism模型构造一个高度对称的图G^k，为了节省存储空间，只上传G^k的一部分其中可以根据对称的特点重构出G^k；

(二)采用TOGGLE算法建模搜索空间，并在满足t-closeness的约束下，求解优化方案，构造Label-Label Group的对应表，记为LCT；

(三)根据LCT更新k-automorphism处理后的图以及原始查询子图的Label，并将处理后的图的一部分上传至云服务器；具体来说：

对和Q中的Label,分别通过查询LCT得到每个点应该对应的Label group,并对点进行重新标注；将更新后的和Q(更新后为)上传到云服务器；

(四)最后，采用PGP查询算法，处理子图查询请求，并返回查询结果；

步骤(二)中，所述构造LCT的具体流程如下：

(1)估计子图查询搜索空间：

分别用V(G^k,τ)，V_l(G^k,(τ,i))，以及V_g(G^k,(τ,j))来表示第τ个类型的点，该类型包含的第i个Label的点，记为l_τ,i，以及该类型包含的第j个Label group的点，记为L_τ,j，且分别用以及来表示这些点出现的概率，那么得：

同样地，若查询子图Q经过匿名化处理之后为则以及表示对应的概率；如果在上能找到子图与其同构的话，那么，中必须至少要有一个点能与中的第一个点q能够匹配，并且中的其他点也能被匹配到；此处一个点能被匹配，是指在数据图中有一个点和查询点具有相同的类型，并包含有查询点的Label group；因此第一个点q能被匹配的个数表示为：

其他点能被匹配的个数表示为：

假设第τ个类型第j个Label group中包含个Label,记为：

其中表示该Label group中第i个Label；

综上所述，查询Q的最终搜索空间正比于：

由于查询图和数据图的Label分布通常属于同一个分布，因此最终的搜索空间正比于：

(2)优化子图查询搜索空间：

为了优化子图查询搜索空间，需要找到最佳的Label组合成Label group的方式，也就是：

同时，为了保护属性隐私，每一个Label group都被限定满足t-closeness约束，即：

其中，EMD(,)是两个分布之间的Earth Mover Distance；于是优化搜索空间的目标被最终转为求解这个有约束的最优化问题；

将这个问题转化为一个广义的Set Partitioning的问题，并采用Column Generation的思想来求解；具体分为以下几步：1)将目标函数构造成一个广义的Set Partitioning问题，即一个大整数规划问题；2)松弛整数约束，构造原问题的LPM问题；3)为LPM问题找到一组基础可行解，并求得该问题的对偶最优解；4)根据对偶最优解，找到一个新的Labelgroup组合方式，使得原来的目标函数的目标值以最大的速度减小；5)将这个新的Labelgroup组合方式代入原始的LPM问题，继续求解；反复迭代3)和4)这两个步骤，直到寻找到最优解；

(3)生成LCT；根据生成的Label group,记录其所包含的Label,形成一对多的对应关系，所有的Label group与其包含的Label构成最终的LCT；

步骤(四)中，所述采用PGP查询算法，处理子图查询请求，并返回查询结果；具体流程如下：

(1)生成候选匹配点；对于中的每一个点，将中与其类型相同，并包含有相同的Label group且度数大于等于其度数的点作为该点的候选点；

(2)生成查询序列；根据每个点的候选点的个数，按照递增的顺序排列，并记录每个点的父亲节点，即上一个被访问的节点；

(3)处理查询；根据生成的查询序列，依次匹配每一个点，如果该点在中且不属于跨块点，直接和传统的方法一样进行匹配，即除了满足是候选点之外还必须满足邻居的匹配原则；否则，由于并非所有的邻居都是可见的，根据自同构函数反复映射并最终得到正确的匹配。