| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景 | 第9-11页 |
| 1.2 研究目的及意义 | 第11-12页 |
| 1.3 课题来源 | 第12页 |
| 1.4 主要工作 | 第12-13页 |
| 1.5 结构安排 | 第13-15页 |
| 第二章 面向社交网络的差分隐私研究现状 | 第15-28页 |
| 2.1 社交网络隐私信息 | 第15-18页 |
| 2.1.1 社交网络数据特点 | 第15-16页 |
| 2.1.2 社交网络结点隐私 | 第16-17页 |
| 2.1.3 社交网络边隐私 | 第17页 |
| 2.1.4 社交网络图性质隐私 | 第17页 |
| 2.1.5 攻击者背景知识 | 第17-18页 |
| 2.2 差分隐私保护模型 | 第18-22页 |
| 2.2.1 差分隐私定义及相关概念 | 第18-19页 |
| 2.2.2 差分隐私的实现机制 | 第19-20页 |
| 2.2.3 差分隐私的组合特性 | 第20-21页 |
| 2.2.4 差分隐私数据保护框架 | 第21-22页 |
| 2.2.5 差分隐私保护方法的性能度量 | 第22页 |
| 2.3 面向社交网络的差分隐私保护 | 第22-26页 |
| 2.3.1 节点差分隐私与边差分隐私 | 第22-24页 |
| 2.3.2 发布差分隐私数据挖掘结果 | 第24页 |
| 2.3.3 发布差分隐私处理图 | 第24-26页 |
| 2.3.4 不同网络模型下的差分隐私研究拓展 | 第26页 |
| 2.3.5 差分隐私保护下的社交网络分析技术 | 第26页 |
| 2.4 本章小结 | 第26-28页 |
| 第三章 基于社区密度聚集和矩阵扰动的差分隐私保护方案 | 第28-51页 |
| 3.1 问题背景 | 第28-29页 |
| 3.2 问题描述与系统模型 | 第29-31页 |
| 3.3 基于社区密度聚集和矩阵扰动的差分隐私保护方案 | 第31-44页 |
| 3.3.1 社区结构标签识别 | 第32-37页 |
| 3.3.2 密集二分树区域构建 | 第37-41页 |
| 3.3.3 加噪矩阵边扰动 | 第41-44页 |
| 3.4 仿真实验与性能分析 | 第44-50页 |
| 3.4.1 数据功用分析 | 第44-48页 |
| 3.4.2 ε-差分隐私度量 | 第48-49页 |
| 3.4.3 算法性能分析 | 第49-50页 |
| 3.5 本章小结 | 第50-51页 |
| 第四章 基于邻接度的边介数模型差分隐私处理方案 | 第51-71页 |
| 4.1 问题背景 | 第51-52页 |
| 4.2 问题描述与系统模型 | 第52-54页 |
| 4.3 dK图模型的图差分隐私保护处理方案 | 第54-58页 |
| 4.3.1 dK序列敏感度分析 | 第54页 |
| 4.3.2 dK序列扰动设计 | 第54-55页 |
| 4.3.3 2K随机图生成算法 | 第55-57页 |
| 4.3.4 方案分析 | 第57-58页 |
| 4.4 基于邻接度的边介数模型差分隐私处理方案 | 第58-62页 |
| 4.4.1 边介数排序算法 | 第59页 |
| 4.4.2 聚类算法 | 第59-61页 |
| 4.4.3 方案的优点 | 第61-62页 |
| 4.5 基于邻接度的隐私保护性衡量算法 | 第62-63页 |
| 4.6 仿真实验与性能分析 | 第63-70页 |
| 4.6.1 隐私保护性评估 | 第64-65页 |
| 4.6.2 节点度分布 | 第65-66页 |
| 4.6.3 平均路径长度 | 第66页 |
| 4.6.4 平均聚类系数 | 第66-67页 |
| 4.6.5 不同方案模型对比 | 第67-70页 |
| 4.7 本章小结 | 第70-71页 |
| 第五章 总结与展望 | 第71-73页 |
| 5.1 总结 | 第71-72页 |
| 5.2 展望 | 第72-73页 |
| 参考文献 | 第73-76页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第76-77页 |
| 附录2 攻读硕士学位期间申请的专利 | 第77-78页 |
| 附录3 攻读硕士学位期间参加的科研项目 | 第78-79页 |
| 致谢 | 第79页 |