论文部分内容阅读
随着互联网的快速发展,社交网络已经成为一种重要的线上交流方式。社交网络中用户之间的大量交互,带来了社交过载现象和信息过载问题。社交过载和信息过载可能导致用户无法快速准确检索自己所需要的信息。推荐系统被认为是克服其问题的有效工具。通过预测用户可能喜欢的项目,推荐系统能有效的帮助用户过滤无用信息,为用户提供个性化推荐,从而能有效的提高推荐准确率、提升用户体验。另一方面,推荐服务提供商是不可信的,他可能会修改用户数据或将数据泄露给第三方。这使得用户在享受个性化推荐服务的同时,也面临着隐私泄露的风险。因此,设计支持用户隐私保护的推荐系统显得尤为重要。目前,使用密码技术来保护推荐系统中的用户隐私已经成为学术界研究的热点之一。然而,现有的基于密码学技术的隐私保护推荐系统,虽然能够在密文下为用户计算预测评分,但存在着方案复杂、计算开销和通信开销过大等问题,从而使得方案的实用性较低。本论文在对现有方案进行深入研究的基础上,提出了在社交网络中支持隐私保护的推荐系统。该研究成果已被国际期刊International Journal of Embedded Systems录用(EI源刊)。主要贡献如下:(1)基于代理重加密技术,我们提出了一种新的社交网络中支持隐私保护的推荐系统方案。与现有方案相比,我们的方案不仅在计算预测评分过程中支持用户的朋友离线,并且解决了现有方案在共享评分时需要用不同的公钥加密评分的问题,从而可以大大降低用户的计算开销。安全性分析表明方案在诚实但好奇的服务器模型下能保证用户评分的机密性。(2)针对Blaze等人的代理重加密方案会泄露数据“0”的问题,我们提出了一种基于离散对数提升技术的隐私保护推荐方案。该方案能够对“0”进行保护,即能保护用户对某个项目是否评分的信息,并且只需要花费比较小的额外计算开销达到更好安全性。(3)我们不仅从理论上对本文提出方案的计算开销和通信开销进行了详细分析,并且基于MoiveLens电影评分数据集对本文提出的方案进行仿真实现。理论分析和实验结果均表明,与现有方案相比,我们的方案能有效降低计算和通信开销。因此,我们的方案可以更好应用于实际环境。