申请/专利权人：东南大学

申请日：2020-11-11

公开（公告）日：2024-06-07

公开（公告）号：CN112487473B

主分类号：G06F21/62

分类号：G06F21/62;G06F16/9536

优先权：

专利状态码：有效-授权

法律状态：2024.06.07#授权;2021.03.30#实质审查的生效;2021.03.12#公开

摘要：本发明公开了一种针对协同过滤中共谋推断攻击的差分隐私保护方法，包括如下步骤：根据用户相似性对用户进行分组，并根据分组结果为用户进行推荐，在此基础上，将强相似用户关联为整体用户，并为整体用户返回相同的推荐结果；在添加差分隐私噪声前进行敏感度计算，分析任意一个用户数据存在与否对于其他任意数据推荐结果的最大影响；对推荐功能性添加差分隐私噪声，并根据干扰的功能性为用户进行推荐。本发明关联可能进行共谋攻击的用户，并为之进行统一干扰，防止推断攻击，在此基础上降低差分隐私噪声大小，提升推荐准确性。

主权项：1.一种针对协同过滤中共谋推断攻击的差分隐私保护方法，其特征在于，包括如下步骤：1根据用户相似性对用户进行分组，并根据分组结果为用户进行推荐，将强相似用户关联为整体用户，并为整体用户返回相同的推荐结果；2在添加差分隐私噪声前进行敏感度计算，分析任意一个用户数据存在与否对于其他任意数据推荐结果的最大影响；步骤2具体包括如下步骤：a将敏感度初始化为0；b对于任意用户uii＝1，2，...n，将ui数据从全局用户历史数据矩阵M中删除，得到临近历史数据矩阵M′，其中，i＝1,2,...n，n为正整数；c对于任意用户ujj＝1，2，...n，j≠i，分别计算M和M′中所有内容被推荐给uj的功能性，记为与其中，j＝1,2,...n，n为正整数，j≠i；d在推荐k个内容的前提下，计算M和M′中最大的k个推荐功能性之差的总和；e如果所述推荐功能性之差大于敏感度，则将敏感度替换为推荐功能性之差；f重复步骤a～e，直到寻找到任意一个用户存在与否对于推荐功能性最大的影响；3对推荐功能性添加差分隐私噪声，并根据干扰的功能性为用户进行推荐；步骤3具体包括如下步骤：a随机生成一个-0.5到0.5之间的自然数；b对于任意用户uii＝1，2，...n，提取所有内容被推荐给ui的功能性，其中，i＝1,2,...,n，n为正整数；c对于任意内容cll＝1，2，...，m，m为正整数，对将cl推荐给ui的功能性进行干扰，得到干扰功能性具体干扰方法为： 式中，Δf1为敏感度，ε为隐私预算，tmp为步骤a所生成的随机数；d重复步骤a～c，直到将所有内容被推荐给ui的功能性进行干扰；e为ui推荐干扰后的推荐功能性最大的k个内容。

全文数据：

权利要求：

百度查询： 东南大学 一种针对协同过滤中共谋推断攻击的差分隐私保护方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD