知识图谱的时序感知匿名化

《ACM Transactions on Privacy and Security》：Time-Aware Anonymization of Knowledge Graphs

知识图谱（KGs）在数据共享中建模用户属性及关系，但匿名化后仍可能被攻击者通过多快照推断敏感信息。本文提出（k,l）-sad原则扩展k^w-tad模型，结合Time-Aware KG匿名化算法，在保证数据效用前提下确保敏感属性值多样性，使攻击者置信度低于1/l，并通过四组真实数据验证其优于k^w-tad的效果。

　　

摘要

知识图谱（KGs）在数据共享中发挥着重要作用，因为它们能够同时建模用户属性及其之间的关系。知识图谱可以用于多种数据分析，例如分类分析——在这种分析中，会选取一个敏感属性，并分析用户与该敏感属性值（也称为敏感数据）之间的关联。数据提供者会对他们的知识图谱进行匿名处理，然后分享匿名后的版本以保护用户隐私。不幸的是，攻击者可以通过监控知识图谱的一个或多个快照来利用这些属性和关系来推断敏感信息。为了解决这个问题，本文提出了(k, l)-序列属性度（(k, l)-sad），这是对k^w-tad原理[10]的一种扩展，以确保重新识别的用户的敏感数据足够多样化，从而无法被以高于某个特定置信度推断出来。即使攻击者监控了所有发布过的知识图谱，这一机制也能有效防止敏感信息的泄露。此外，我们还开发了时间感知型知识图谱匿名化算法，该算法在保证匿名数据实用性的同时，确保所有发布的匿名化版本都满足(k, l)-sad原则。我们在四个真实数据集上进行了实验，以验证我们提案的有效性，并将其与k^w-tad方法进行了比较。