[发明专利]社交网络中基于用户间关系强度的轨迹隐私保护方法

说明书

本发明公开了一种社交网络中基于用户间关系强度的轨迹隐私保护方法，包括：1)用户分享原始轨迹及个性化需求，并对轨迹预处理得到待保护轨迹；2)提取社交网络数据中用户背景属性、连接及交互三个维度的特征数据并计算得到特征向量；3)将特征向量形成的数据经过K‑means聚类及BP神经网络计算用户间的关系强度RS；4)设计一种满足差分隐私的半径限制地理不可分机制；5)将用户与好友之间的关系强度与隐私预算进行映射，对待保护轨迹使用半径限制地理不可分机制及位置聚类进行隐私保护，再将保护后轨迹发送给对应的好友。本发明考虑多个维度的关系特征并综合无监督聚类及神经网络方法计算关系强度，同时利用半径限制及位置聚类以提高隐私保护效用。

技术领域

本发明涉及社交网络中轨迹隐私保护的技术领域，尤其是指一种社交网络中基于用户间关系强度的轨迹隐私保护方法。

背景技术

随着移动社交网络的兴起及GPS定位技术的广泛应用，人们经常通过各种运动软件记录并在微博、朋友圈等社交软件中分享自己的轨迹。考虑到社交圈中存在大量弱关系，用户不得不考虑好友攻击带来的轨迹隐私泄露及由此带来的人身财产安全威胁。尽管大部分社交软件可通过设置权限来屏蔽关系强度较弱的好友，但用户与好友之间的关系是动态变化的。因此，更现实的做法是允许不同的朋友查看不同的轨迹信息，并且应根据关系强度的变化动态调整策略和权限。

根据已有研究，用户关系强度挖掘模型主要分为图模型、相似度模型和概率模型三类，很少有从多个维度考虑用户间关系强度的影响因素并同时利用无监督聚类加有监督神经网络模型进行关系强度的计算。轨迹隐私保护的研究主要包括假数据法，泛化法，抑制法和差分隐私模型。虽然差分隐私模型现在被认为是最好的可以不考虑对手背景知识的一种满足严格数学定义的隐私保护方法，但其存在数据可用性较差的问题。而且现有的隐私保护方法不能根据用户需求进行个性化、细粒度的隐私保护。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提出了一种社交网络中基于用户间关系强度的轨迹隐私保护方法，从多维度及利用无监督聚类加神经网络方法计算得到关系强度，并根据用户的个性化需求及关系强度对轨迹进行细粒度的隐私保护。

为实现上述目的，本发明所提供的技术方案为：社交网络中基于用户间关系强度的轨迹隐私保护方法，包括以下步骤：

1)用户分享原始轨迹及用户的个性化需求，并对轨迹预处理得到待保护轨迹；

2)提取社交网络数据中用户背景属性数据、连接数据及交互数据三个维度的特征数据，并利用公式计算得到特征向量；

3)将步骤2)中的特征向量形成的数据经过K-means聚类及BP神经网络计算用户间的关系强度RS；

4)设计一种满足差分隐私的半径限制地理不可分机制，应用于地理位置或轨迹的隐私保护并能保证数据的可用性；

5)将用户与好友之间的关系强度与隐私预算进行映射，对待保护轨迹使用半径限制地理不可分机制及位置聚类进行隐私保护，再将保护后轨迹发送给对应的好友。

在步骤1)中，要求轨迹为按照时间顺序组成的地理位置点的序列，且地理位置点由经纬度决定；对原始轨迹采用Douglas-Peucker压缩算法及相邻点去重的预处理方式得到待保护轨迹，确保序列长度不少于2，且轨迹即使密集也不能超过规定，其中用户个性化需求为保护与不保护两种，分别用0，1标记。

在步骤2)中，由三个维度的特征数据计算出的一对用户i与好友j之间的特征向量其中，每个维度计算过程具体如下：

a、对于由出生年份、性别、发文数、兴趣爱好形成的背景属性数据计算得到的属性相似度的计算公式为：

为的归一化结果，其中计算公式为：