社交网络的差分隐私保护方法

Social network is one the most important services on Internet. However, the development of social network confronts with serious privacy concern. Recently, differential privacy has been proposed to address the problem and attracted lots of attention. As a rigorous and provable privacy notion, differential privacy has been proved that can preserve sufficient privacy for individuals. However, to achieve a better utility, differential privacy makes several assumptions: the dataset should be a transaction dataset, the query should have low sensitivity and the privacy budget is limited. Because these assumptions are hardly to be met with in social network, the performance of differential privacy in social network is inferior. In this proposal, we try to tackle the problem and provide a framework by dealing with various dataset, high sensitivity query and mechanism design for amount of queries. The success of this project will break through the bottleneck of differential privacy in social network and provides solid theory and technique support.

社交网络是目前互联网最重要的应用之一，但其高速发展带来了隐私泄露的问题，所以在社交网络中保护参与者的隐私是目前亟待解决的问题。近年来，学术界提出了一种名为差分隐私的保护模型。它作为一种严格的和可证明的隐私定义受到了极大的关注。差分隐私已在数学上被证明是能保护每个参与者隐私的。但为了达到一定的可用性，差分隐私对受保护数据作出了种种假设，例如数据及必须为事物型数据集，查询必须为低敏感度以及隐私预算充分等等。这些假设往往很难在社交网络现实环境中成立，所以差分隐私目前在社交网络的保护中表现并不出色。我们针对这三个假设，从信息形态多样性处理、高敏感度查询处理以及隐私保护机制的设计来将差分隐私引入社交网络，旨在提出一种满足差分隐私保护要求的、能够以可接受的精确度来响应大量数据查询的社交网络差分隐私解决方案。本项目有望解决差分隐私的应用瓶颈，为社交网络的隐私保护提供重要的理论和技术支

此项目将差分隐私引入社交网络，旨在提出一种满足差分隐私保护要求的、能够以可接受的精确度来响应大量数据查询的社交网络差分隐私解决方案。为了达到这个目的，主要研究内容由三个部分组成，分别是信息形态多样性的处理，利用局部敏感度降低各种操作的敏感度以及社交网络新保护机制的实现。经过三年的研究，项目已经完成目标。首先，我们对于地址数据，图数据，流数据等提出了不同的处理方案，使得我们的方案可以处理不同类型的数据；然后设计了基于矩阵变换的敏感度和基于流数据的关联敏感度，解决了以前的方法噪音过大的问题；最后我们提出了两种差分隐私发布方案，一种是基于迭代的方案，另外一种是基于机器学习模型发布的方案。这两种方案都能够使用户能够更好的使用差分隐私接口来对数据进行更深入、更多的查询。在研究过程中，我们培养了一名硕士生和一名博士生。另外，每一项研究内容都产出了5-7篇SCI文章，总共发表了19篇SCI论文和一本专著，帮助工程师解决各项应用里的差分隐私问题。本项目解决了差分隐私的应用瓶颈，为社交网络的隐私保护提供重要的理论和技术支持。最终项目有望转化成为产业成果，目前已经和华为合作，将我们提出的隐私保护方法应用到华为云中。