欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2021104947617
申请人: 南京邮电大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于动态网络表示学习的抗近邻合谋数字指纹生成方法,其特征在于,包括以下步骤:

步骤(1)、选取带有时间戳的动态社交网络数据集构造连续时间网络;

步骤(2)、根据步骤(1)构造的连续时间网络的邻居结构的影响构造概率分布函数,依据概率分布函数在连续时间网络中进行有偏向的随机游走采样,得到节点采样序列的集合;将节点采样序列的集合输入到Skip‑gram模型中,训练得到用户特征向量码;

步骤(3)、根据连续时间网络的节点密度生成CFF码,联合用户特征向量码和CFF码生成用户数字指纹。

2.根据权利要求1所述的一种基于动态网络表示学习的抗近邻合谋数字指纹生成方法,其特征在于,步骤(1)具体如下:步骤(1.1)、选择用户所在的动态社交网络数据集,对动态社交网络数据集进行信息提取,提取的信息包括动态社交网络中的节点、两个节点之间的边的时间戳;

步骤(1.2)、根据步骤1.1提取出的节点、带有时间戳的边构建连续时间网络。

3.根据权利要求1所述的一种基于动态网络表示学习的抗近邻合谋数字指纹生成方法,其特征在于,步骤(2)具体包括:步骤(2.1)、置节点采样序列L为空,在步骤(1)得到的连续时间网络中随机选择一条游走的初始边,并将初始边两端的节点加入节点采样序列L中;

步骤(2.2)、置待选节点集合S为空,设定tc为当前时间戳,Δt为采样的时间间隔;在连续时间网络中找出节点采样序列L的最后一个节点的邻居节点,判断该邻居节点与节点采样序列L的最后一个节点构成的边的时间戳是否小于tc+Δt,将边的时间戳小于tc+Δt的边的对应节点加入待选节点集合S中;

步骤(2.3)、步骤(2.2)中得到的待选节点集合S中的节点与节点采样序列L中的邻居节点构成多种不同的邻居结构,使用不同的邻居结构的影响构造概率分布函数P;

步骤(2.4)、将步骤(2.2)的待选节点集合S和步骤(2.3)的概率分布函数P作为别名采样法的抽样参数,使用别名采样法从S中选择节点,选中的节点加入到节点采样序列L中,并更新当前的时间戳tc;

步骤(2.5)、令Ls是所有节点采样序列的集合,设定采样的节点序列长度阈值l,n为随机游走次数,tM为采样的最大边界时间;当节点采样序列L的长度大于节点序列长度阈值l或当前时间戳tc大于tM时,停止游走并将节点采样序列L加入到节点采样序列的集合Ls中,完成一次随机游走;否则返回步骤(2.2);

步骤(2.6)、重复步骤(2.1)‑步骤(2.5),当随机游走次数为n时,完成节点采样序列的集合Ls的生成;

步骤(2.7)、将步骤(2.6)获得的节点采样序列的集合Ls输入到Skip‑gram模型中,Skip‑gram模型最大化连续时间网络中所有节点的邻居节点的共现概率,训练得到用户特征向量码。

4.根据权利要求1所述的一种基于动态网络表示学习的抗近邻合谋数字指纹生成方法,其特征在于,步骤(3)具体包括:步骤(3.1)、根据连续时间网络设定抗合谋的人数x、抗合谋码的元素集F,其中F中的元素个数为y;首先初始化矩阵cFlag,使cFlag的对角线元素为0,其他元素为1;然后将元素集F以每x+1个元素拆分为若干个区组,将这若干个区组与区组{(1,y/(x+1)+1,…,(x×y)/(x+1)+1),(2,y/(x+1)+2,…,(x×y)/(x+1)+2),…,(y/(x+1),2y/(x+1),…,y)}的并集作为基础区组;遍历基础区组的每个元素对,i,j均为元素,如果元素对(i,j)在基础区组中,置矩阵cFlag的第i行第j列为0;

步骤(3.2)、对抗合谋码的元素集F的元素进行x+1阶全排列生成若干个区组,首先去除不符合CFF码构造条件的区组,保留符合CFF码构造条件的区组,然后遍历符合CFF码构造条件的区组的每个元素对,如果元素对(i,j)没有在基础区组中出现过,则置矩阵cFlag的第i行第j列为0;最后将cFlag取反,得到CFF码;

步骤(3.3)、根据级联编码方法联合步骤(2)得到的用户特征向量码与步骤(3.2)得到的CFF码,形成用户数字指纹的矩阵U,将U的每一行作为每一位用户唯一的用户数字指纹。

5.根据权利要求4所述的一种基于动态网络表示学习的抗近邻合谋数字指纹生成方法,其特征在于,步骤(3.3)后还包括再将用户数字指纹嵌入到数字产品中分发给用户。

6.根据权利要求5所述的一种基于动态网络表示学习的抗近邻合谋数字指纹生成方法,其特征在于,步骤(3)之后还包括步骤(4),具体如下:步骤(4)、检测用户数字指纹;

将用户数字指纹嵌入数字产品中,当发现非法泄漏的数字产品时,提取数字产品中的用户数字指纹并拆分为用户特征向量码和CFF码,首先将CFF码和指纹库中的用户数字指纹进行汉明距离检测,检测出部分合谋泄密者,然后根据已检测出的部分合谋泄密者在连续时间网络中的邻居关系缩小匹配范围,使用用户特征向量码与指纹库中的用户数字指纹进行汉明距离检测,检测出剩余的近邻合谋泄密者。

7.根据权利要求6所述的一种基于动态网络表示学习的抗近邻合谋数字指纹生成方法,其特征在于,步骤(4)具体包括:步骤(4.1)、当发现非法泄漏的数字产品时,提取数字产品中的用户数字指纹并拆分为用户特征向量码和CFF码;

步骤(4.2)、逐行对比计算矩阵U的CFF码部分与步骤(4.1)拆分出的CFF码的汉明距离,汉明距离大于给定的CFF码汉明距离的阈值的矩阵U的用户数字指纹被认定为合谋泄密者的用户数字指纹,拥有该用户数字指纹的用户为合谋泄密者;

步骤(4.3)、在连续时间网络中,步骤(4.2)认定的合谋泄密者具有邻居节点;首先提取出矩阵U中的合谋泄密者的邻居节点的用户数字指纹的特征向量码,然后逐个对比步骤(4.1)拆分出的用户特征向量码和合谋泄密者的邻居节点的特征向量码之间的汉明距离,如果汉明距离大于给定的用户特征码汉明距离的阈值,则合谋泄密者的邻居节点的用户数字指纹被认定为近邻合谋泄密者指纹,拥有该用户数字指纹的用户被认定为近邻合谋泄密者。