18754

۱۸۷۵۴

ارائه‌ي مدلي به منظور گمنام‌سازي شبكه‌هاي اجتماعي با هدف حفظ حريم خصوصي كاربران

كارشناسي ارشد

فناوري اطلاعات - تجارت الكترونيكي

دي ماه ۱۳۹۶

دكتر محمد فتحيان

دكتر بابك اميري

صنايع

تحقيقات پيشين نشان‌ مي‌دهد كه استفاده از شبكه‌هاي اجتماعي يك روند رو به رشدي را در سال‌هاي اخير داشته‌ است. با توجه به تعداد زيادي از كاربران شبكه‌هاي اجتماعي برخط، داده‌هاي زيادي در اين شبكه‌ها توليد شده است. به‌تازگي، پيشرفت تكنولوژي باعث شده است كه بتوان به‌سادگي اطلاعات سودمند در مورد كاربران و تعاملات ميان آن‌ها را در اين شبكه‌ها استخراج كرد. همچنين به‌طور موازي همزمان با پيشرفت تكنولوژي استخراج اطلاعات سودمند، چندين روش و تكنيك براي حفاظت از حريم خصوصي كاربران شبكه‌ها‌ي اجتماعي از طريق گمنام‌سازي اين شبكه‌ها ارائه شده است. در اين راستا استفاده از روش K-Anonymity از تكنيك‌هاي مفيد و مطلوب به شمار مي‌رود به‌طوري‌كه K به‌عنوان حد آستانه‌اي جهت گمنام‌سازي ساختاري است. در اين تكنيك، گره‌ها به نحوي خوشه‌بندي مي‌شوند تا ابر‌گره‌ها‌يي با اندازه‌ي حداقل K گره را تشكيل دهند. از اهداف اصلي در تحقيق پيش رو اين است كه ابتدا از الگوريتم بهينه‌سازي ذرات (PSO) به‌منظور بهينه‌سازي فرآيند خوشه‌بندي در مدل K-Anonymity در جهت به حداكثر رساندن مقدار از دست رفتگي اطلاعات ساختاري (NSIL) استفاده شود. شايان‌ذكر است هرچه از دست رفتگي اطلاعات ساختاري در مدل گمنام‌سازي بيشتر باشد اين مدل توانايي بالاتري در حفظ حريم خصوصي كاربران شبكه اجتماعي مذكور را خواهد داشت. اگرچه روش مبتني بر PSO پيشنهادي نرخ همگرايي بالاتري را نسبت به روش مبتني بر الگوريتم ژنتيك (GA) پيشنهادي در مطالعات پيشين را نشان مي‌دهد اما كيفيت مقدار NSIL حاصل از اين الگوريتم كمتر مي‌باشد. بنابراين، به‌منظور دستيابي به مقدار NSIL بهتر نسبت به راه‌حل پيشنهادشده توسط الگوريتم بهينه‌سازي GA و همچنين با توجه به ميزان همگرايي بالا به‌دست‌آمده از الگوريتم PSO، راه‌حل تركيبي بر اساس الگوريتم‌هاي GA و PSO در اين تحقيق ارائه شده است. درنهايت نيز جهت رسيدن به گره‌هاي غيرقابل تشخيص و مدل گمنام‌سازي مذكور، فرايند عمومي‌سازي يال‌ها بر اساس روابط آن‌ها استفاده خواهد شد. نتايج شبيه‌سازي نشان‌دهنده كارايي مدل پيشنهادي در جهت به حداكثر رساندن مقدار NSIL و نرخ همگرايي الگوريتم مي‌باشد. واژه‌هاي كليدي: شبكه اجتماعي، مدل گمنام‌سازي K-Anonymity، الگوريتم بهينه‌سازي ذرات، الگوريتم ژنتيك، از دست رفتگي اطلاعات ساختاري

1397/02/08

4/28/2018 12:00:00 AM

The usage of social networks shows a growing trend in recent years. Due to a large number of online social networking users, there is lots of data within these networks. Recently, advances in technology have made it possible to extract useful information about individuals and the interactions among them. In parallel, several methods and techniques were proposed to preserve users’ privacy through the anonymization of social network graphs. In this direction utilization of k-anonymity method, where k is the required threshold of structural anonymity, is among the most useful techniques. In this technique the nodes are clustered together to form the super-nodes of size at least k. Our main contributions in this paper are, initially, to optimize the clustering process in k-anonymity method by means of the particle swarm optimization (PSO) algorithm in order to maximize the Normalized Structural Information Loss (NSIL). Although the proposed PSO based method shows a higher convergence rate than the previously introduced genetic algorithm (GA) based method, it did not provide a better NSIL value. Therefore, in order to achieve the NSIL value provided by GA optimization while preserving the high convergence rate obtained from PSO algorithm, we present hybrid solutions based on GA and PSO algorithms. Eventually, in order to achieve indistinguishable nodes, the edge generalization process is employed based on their relationships. Simulation results demonstrate the efficiency of the proposed model to balance the maximize NSIL and algorithm's convergence rate. Keywords: Social Network, k-Anonymity, Particle swarm optimization algorithm, Genetic algorithm, Structural Information Loss