隐私保护的基于社交关系的推荐系统研究

作     者：于思敏 

作者单位：山东师范大学 

学位级别：硕士

导师姓名：王皓

授予年度：2024年

学科分类：08[工学] 0839[工学-网络空间安全] 081203[工学-计算机应用技术] 0835[工学-软件工程] 081201[工学-计算机系统结构] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：隐私保护 安全多方计算 秘密共享 推荐系统 社交关系 

摘      要：在如今信息量爆炸式增长的背景下,推荐系统作为一种高效的个性化信息过滤工具被广泛应用于各大领域。其中,利用用户的社交关系信息来提高推荐性能是常见且有效的方法之一。然而,推荐系统面临着一个严峻的问题——数据的隐私泄露。推荐系统所收集的用户数据中包含了大量真实而敏感的个人信息,特别是基于社交关系的推荐系统,其往往需要使用用户的社交网络信息或通讯录信息。用户难以信任未采取有效隐私保护措施的平台,因此使用安全可行的隐私保护机制,确保用户在获得个性化推荐的同时保护用户数据不被泄露具有重要意义。 在隐私保护领域中,安全多方计算允许多个参与方在不泄露各自数据的情况下协同完成计算任务,与其他隐私保护方式如差分隐私、联邦学习等不同,安全多方计算通用性强、精确度高,且无需可信第三方支持。利用安全多方计算中的秘密共享技术,可以将推荐系统中的用户信息以份额的形式分别存储于两个不合谋的服务器,在提供隐私保护的同时,能够协同完成推荐计算任务,且在效率和准确性等方面具有优秀的表现。 基于以上背景,本研究设计了一个在服务器结构下的基于社交关系的隐私保护推荐系统框架。在该框架中,用户的数据以秘密分享的形式发送给两个服务器,两个服务器之间进行安全计算以得到推荐结果。作为框架核心,本论文设计了一种具有优秀适用性的基于秘密共享的安全大小比较协议,并同时将此协议扩展应用到负数比较的计算场景中。为实现本文提出的系统框架中的安全计算过程,本文改进和使用了包括安全的判等协议和安全的除法协议在内的基于秘密共享的子协议。同时,本文提供了形式化的安全性证明,在理论上证明了所提方案在半诚实模型下是安全的。此外,本文在真实数据集上进行了性能评估和数据的安全性评估,实验结果表明,系统仅需约5.5秒的时间即可对128位比特长的数据进行安全的推荐计算,同时半诚实敌手难以推断出其他信息,证明了本方案的高效性和安全性。最后通过设计一个隐私保护的基于社交关系的电影推荐系统,对文章设计的推荐系统框架进行演示,以进一步证明该系统的可行性与实用性。