胡 静，史武超，颜 军，吴振强

(陕西师范大学 计算机科学学院，陕西 西安 710119)

1 概 述

进入大数据时代，随着移动互联网的发展，人们在生活中可以随时随地产生数据，例如聊微信、转发微博等。以微信为例，仅在2016年9月份，微信日登录用户达到了7.68亿。由于社交网络的发展与应用，越来越多的研究转移到社交网络，使得社交网络分析成为诸多学科的研究热点。然而，政府部门、商业机构对采集到的数据进行发布与共享时，会导致用户个人隐私的泄露。因此，在发布数据的同时保护用户的隐私信息就成了大数据环境下面临的一个重大课题。

近年来，学者们在隐私保护方面做了大量的工作，而且取得了丰硕的成果。如Sweeney提出的k-匿名技术[1]，该技术要求发布数据对象个体在同一等价类中至少与其他k-1个对象不可区分，每个个体身份被识别出来的概率至多为1/k，从而降低了隐私泄露的风险。然而k-匿名技术不能抵抗同质性攻击。为了解决这一问题，Machanavajjhala等[2]提出了l-多样性，Li等[3]提出了t-紧密性等k-匿名技术的改进方法。但是这些方法难以定义攻击者拥有的所有可能的背景知识，容易遭到背景知识攻击且不能提供一种严格可证明的隐私保护程度。2006年Dwork提出的差分隐私技术解决了攻击者可能的背景知识问题，并对隐私保护水平提供了量化评估方法[4]。

现有隐私保护方法主要适用于关系数据或者统计数据。在统计数据中，每个个体在统计上是相互独立的；在关系数据中，关系隐私保护模型仅防范了将实体属性值作为背景知识的隐私攻击。……