حفظ حريم خصوصي در انتشار نسخه هاي متوالي داده‌هاي شبكه اجتماعي با امكان افزايش يال

Privacy Preservation in Social Networks Sequential Publishing considering adding edge

با روي كار آمدن تعاملات مجازي، شبكه هاي اجتماعي جز جدايي ناپذيري از زندگي مردم شده‌اند. با تحليل و بررسي داده هاي اين شبكه‌ها مي‌توان اطلاعات مفيدي استخراج كرد. اما با انتشار كامل اين اطلاعات حريم خصوصي كاربر نقض مي شود بنابراين پيش از انتشار بايد داده ها گمنام شوند. در واقعيت، شبكه‌هاي اجتماعي در طول زمان در حال تغيير هستند و براي تحليل دقيق داده‌ها نياز است نسخه‌هاي به روز داده‌ منتشر شوند تكنيك هاي گمنام سازي تك نسخه پاسخگوي نيازمندي هاي حفظ حريم خصوصي داده هاي شبكه پويا نيستند زيرا علاوه بر اينكه با دسترسي به هر نسخه از داده ي گمنام شده بايد شرايط حفظ حريم خصوصي برقرار باشد با مقايسه نسخه هاي گمنام شده متفاوت نيز نبايد امكان نقض حريم خصوصي وجود داشته باشد و سودمندي داده در سطح قابل قبولي حفظ شود. در اين مقاله مدل حريم خصوصي (α,β,γ,δ)-DSNP براي انتشار داده هاي شبكه اي پويا با امكان افزايش يال ارائه شده است كه از كشف هويت، كشف صفت حساس، كشف يال و درجه جلوگيري مي كند. در ادامه به كمك تكنيك گمنام سازي ASN داده هاي پوياي شبكه به صورتي گمنام مي شوند كه نيازمندي هاي مدل مورد نظر برآورده شود. نتايج شبيه سازي نشان مي‌دهد در تكنيك‌هاي ارائه شده علاوه بر حفظ حريم‌خصوصي و سودمندي داده‌هاي جدولي، خواص توپولوژيكي شبكه در زمان هاي متفاوت در حد قابل قبولي حفظ مي شود.