[发明专利]一种高效的隐私保护子图查询处理方法

说明书

本发明属于隐私保护技术领域，具体为一种高效的隐私保护子图查询处理方法。本发明利用k‑automorphism模型来保护属性图的结构隐私，并通过综合考虑属性的t‑closeness约束以及子图查询在图上的搜索空间来保护属性图的属性隐私，针对结构和属性隐私处理后的图，进一步提出高效的子图查询处理算法。本发明方法框架清晰、使用方便、可扩展性强，并在三个图数据集上的隐私保护和子图查询处理两大任务的结果上，都远远超过了现有方法。本发明能够为隐私保护图数据查询，图数据分析等涉及到隐私保护和图数据处理的领域，提供基础框架和算法的支持。

技术领域

本发明属于隐私保护技术领域，具体涉及一种高效的隐私保护子图查询处理方法。

背景技术

目前，图已经被广泛用于表示半结构化数据之间的关系。属性图作为图的一种常见类型，由于其允许每个节点包含一组属性，因而在各种领域变得越来越流行，包括模式识别，计算机视觉，通信网络和社交网络。为了分析和检索图所包含的丰富的语义和结构信息，人们发布了各种各样的查询，其中最常见的就是子图查询。给定一个查询子图(QueryGraph或Query)和一个数据图(Data Graph或Graph)，子图查询任务就是从数据图中检索所有与查询子图同构的子图结构。由于子图查询是图数据分析中不可或缺的一部分，越来越多的人对其展开了深入研究。但是，随着图数据规模的快速增长，存储、处理和分析它们将会耗费用户大量的计算以及非常昂贵的基础设施成本。针对大数据计算问题，知名的云服务提供商，如亚马逊AWS，阿里云和Microsoft Azure为用户提供了云计算服务来避免用户各自去搭建一套大数据计算平台。GraphLab甚至提供了基于图的云计算服务。虽然云服务器通常被认为是“诚实”地返回图查询的正确结果，但其仍可能对所存储的图数据结构和属性隐私很感兴趣，继而造成图数据的隐私信息泄露。

图数据的现有隐私泄露可以分为两类：属性隐私泄露和结构隐私泄露。属性隐私泄露指与每个节点相关联的敏感标签信息泄露，例如，工资，身份证号码，电话号码和病历数据等。这种标签信息属于表格数据，大量的隐私保护模型以及匿名算法针对这类数据展开了广泛的研究，其中最常见的就是k-匿名(k-anonymity)，l-diversity和t-closeness。与k-anonymity和l-diversity相比，t-closeness可以抵抗更多的攻击，如相似性攻击。然而，针对图上的属性隐私保护问题，已有的工作仅采用了k-匿名和l-diversity，因此依然存在相似度攻击风险。结构隐私泄露指的是暴露目标节点的位置。这种隐私泄露风险可以由各种结构攻击造成，如度攻击，1-邻居攻击，子图攻击和hub-fingerprint攻击。针对这些攻击，许多结构隐私保护方法通过为图中的每个点引入高度对称的k-1个点来避免其位置信息泄露。在这些方法中，目前最流行也是隐私保护程度最高的模型就是k-automorphism模型。当然，为了满足高度对称性，这类模型通常需要引入大量的边，因而使得图的结构很大，而目前为止针对这类图的子图查询处理算法效率依旧得不到保障。因此，子图查询算法所面临的低效率问题也是目前亟待解决的。

发明内容

针对以上现有技术中的问题，本发明的目的在于提供一种高效的隐私保护子图查询处理方法。

本发明提供的隐私保护子图查询处理方法，是通过同时保护图的结构隐私和属性隐私，同时对子图查询的搜索空间进行建模和优化，实现高效的隐私保护子图查询。主要包括：利用k-automorphism模型保护图的结构隐私；利用t-closeness模型保护图的属性隐私；构建优化目标，在满足t-closeness的约束下，最小化优化目标；提出高效查询处理算法。

本发明中，隐私保护子图查询问题具体描述如下：给定一个查询子图Q和一个数据图G，在保证G的结构隐私信息和属性隐私信息不被泄露的情况下，高效地处理子图查询请求并返回正确的处理结果。本发明中，利用k-automorphism模型来保护属性图的结构隐私，并在满足属性的t-closeness约束的情况下，提出TOGGLE算法来最小化子图查询在图上的搜索空间；针对结构和属性隐私处理后的图，进一步提出了一种高效的子图查询处理算法(记为PGP)。