基于自動協商的社交網用戶隱私保護機制研究

顏麗君，劉曉青

(楚雄師范學院信息科學與技術學院，云南 楚雄 675000)

1 引言

隨著web2.0的出現，各種社交網絡SNS(Social Network Service)迅猛發展。［1］社交網絡為網絡用戶的交流帶來了方便性和快捷性，但與此同時，社交網絡用戶信息隱私安全隱患伴隨而至。通過社交網絡收集和利用用戶隱私信息變得更加容易，因此社交網絡中用戶的隱私安全正成為一個必須解決的問題。［2］

現有的社交網采用了基于web站點的隱私保護技術——隱私偏好設置，即社交網給出相應的隱私策略設置選項，用戶根據個人偏好對其進行選擇，這種隱私技術可以在一定程度上保護用戶的隱私安全，但是它存在著一定的不足。比如隱私策略單一，用戶處于被動地位，需手工設置，工作量大等。

針對上述隱私偏好設置存在的問題，本文提出了一種基于自動協商的社交網絡用戶信息隱私保護機制。此模型中采用了Agent技術，加入協商［3］的概念，采用Pareto遺傳算法，實現隱私策略結果的多樣性，體現了用戶的主動性，簡化了工作量。

2 社交網隱私自動協商模型

社交網隱私自動協商模型中考慮了用戶的主動性，改變了用戶只能選擇社交網提出的隱私策略方案，而不能提出自己的想法的被動情形。如果社交網的隱私策略不能滿足用戶的偏好，則用戶可以提出自己的隱私偏好與社交網隱私策略進行協商，以達到雙贏。

本文給出了基于雙邊多議題的協商模型，其中的雙邊指社交網與用戶兩端，多議題是對隱私安全保護中主要的問題進行協商，比如信息公開對象，保存時間，用途等議題。因為人工完成協商的工作量很大，為了提高工作效率，，本文采用了Agent技術。

2.1 社交網隱私協商模型的形式化描述

本文用一個六元組［4］來表示雙邊多議題形式化協商模型:

M=＜Ag，Z，S，W，U，N ＞，其中:

Ag:參與協商過程的Agent集合，Agi∈Agent，其中Agi可以表示協商過程中的所有參與方，在社交網隱私自動協商中i∈ (a，b)，其中Aga表示社交網隱私Agent，Agb表示用戶隱私Agent。

Z:協商主題的集合Z={Z1，Z2，…Zj}，其中zj是表示第j個協商主題，本文中是基于雙邊的多議題協商模型，議題數表示Agi對主題 j的值，值域為Di

S:協商策略的集合，協商過程中根據協商的發展變化而制定的對策和方法。

W:協商議題的權重集，表示不同Agent對于同一主題不同的關注度。其中表示Agi對于第j個主題的權重，其中j∈ {1，2，…，j}，i∈ (a，b)。權重是一個可變的量，會隨目標不同有所改變。

U:Agent的效用函數集合U={Ua，Ub}，分別表示社交網和用戶的效用函數，其效用函數為主題Zj的評分函數，j∈ {1，2，…，j}。比如:用戶認為個人信息比分享重要，則可以用不同的效用值來表明，每一個參數代表的效用值的具體大小與信息的重要性有關，本文設置的最大效用值為10。

N:協商次數。為了防止協商無休止的進行，可以規定協商的最大協商次數，如果超過此協商次數仍沒有達成一致，則協商結束。

2.2 基于Agent的社交網隱私協商的體系結構

社交網隱私Agent協商體系結構主要由隱私條件和約束生成器、隱私協商策略、提議評估器、反提議生成器四個部分組成。用戶隱私Agent與社交網隱私Agent進行交互、完成提議和反提議，直到達成一致或協商失敗。

圖1 Agent隱私協商的體系結構

隱私條件和約束生成器根據用戶和社交網端的隱私文件，創建用戶和社交網網站使用的隱私偏好和隱私策略。提議評估器對其進行約束檢查，如其不滿足約束條件則用反提議生成器在參照隱私協商策略給出的減弱規則情況下生成一條新的反提議，并交予提議評估器繼續評估，直到滿足協商結束條件時結束協商。

3 社交網隱私自動協商協議

社交網隱私自動協商協議是規定社交網隱私Agent與用戶隱私Agent之間協商所應遵守的準則。

3.1 協商協議模型

社交網隱私協商協議為社交網和用戶兩個參與方的Agent制定了共同遵循的規則和約束條件。保證協商按照相應時序正確的執行，其協商協議的模型如圖2所示:

圖2 社交網隱私協商協議模型

3.2 協商協議初始化

在社交網隱私協商協議中，用戶隱私Agent和社交網隱私Agent需要規定某一些能讓協商正常執行的元組數據，比如，為了讓協商可以終止，需要對雙方規定具有相同大小的N值即協商最大次數;需要提供協商需要的相關數據，比如說隱私偏好、隱私策略、權重等。其用戶隱私A-gent和社交網隱私Agent初始化的相關數據如表1所示:

表1 協商協議初始化數據

4 社交網隱私自動協商算法

社交網隱私自動協商為社交網和用戶提供一個雙方都滿意的隱私策略，需要相應的自動協商算法。

本文主要采用的自動協商算法是Pareto遺傳算法，將Pareto最優解與遺傳算法相結合。主要包括五大要素:參數編碼，初始群體的設定，適應度函數的設計，遺傳操作的設計和控制參數的設定。［5］

4.1 編碼

在本文中采用遺傳算法［6］的大字符集編碼，即除給予字符集 {0，1}的二進制編碼外，可以結合實際問題的特征采用D進制數或字符集來表示長度為L的位串。

社交網隱私協商的議題主要是信息公開對象，信息用途，保存時間等，其中信息公開對象用x表示、保持時間用t表示、用途用y表示、提醒時間用j表示。其編碼結果如表2所示:

表2 議題與遺傳算法編碼對應表

4.2 目標函數

目標函數表示社交網隱私自動協商的最終目的。在本文的自動協商過程中采用Pareto遺傳算法，即針對社交網和用戶雙方的Agent的隱私協商問題，找到一個Pareto解能使其用戶和社交網站點都能達到最大的滿意度，社交網隱私自動協商中Pareto目標函數為:

fitness(Agb)代表社交網用戶的滿意度代表社交網站點的滿意度，其中表示Agi對議題j的權重，其中j∈ {1，2，…，N}，i∈ (a，b)，μj表示議題j對應的效益值。效用值越高則安全性越高，效用值越低則安全性越弱，本文中最高的效用值為10，最低的為0，對于每個議題的每個選項的效用值設置如表3所示:

表3 議題選項效用值設置清單

4.3 種群規模

種群即群體，在遺傳算法中，種群規模會直接影響算法的性能和效率［7］，種群規?？梢愿鶕嶋H情況在10到200之間選定，本文的隱私自動協商模型群體規模選取20。

4.4 基本操作

遺傳算法可以實現優勝劣汰的選擇。而要實現種群的優勝劣汰則必須進行相應的基本操作:選擇 (selection)、交叉 (Crossover)和變異 (Mutation)。本文設置選擇概率Ps為0.9，交叉概率Pc為0.5，變異概率Pm=0.01.

4.5 終止條件

遺傳算法終止條件是表示算法運行結束的條件，在社交網隱私自動協商過程中，為了避免協商的無限循環，本文規定了協商的最大次數N，當協商達到最大次數或協商成功的情況下將退出整個協商過程

4.6 權重向量

權重表示社交網和用戶對于協商議題的重視度。對于信息公開對象、保持時間、用途、提醒時間四個協商議題的權重，社交網用w_server表示，用戶用w_client表示，權重之和都為10。

5 仿真實驗及分析

本文用MATLAB 2013對社交網隱私自動協商模型進行了仿真實驗。在協商之初，社交網站點將自己的隱私策略傳送給社交網隱私Agent，并設置最小期望值60，即如果用戶給出的提議計算出的適應度大于等于此期望值，則社交網可以接受用戶的提議;用戶將自己的隱私偏好傳送給用戶隱私Agent，并設置最大讓步值65，即如果社交網提出的提議的適應度小于等于最大讓步值，則用戶可以接受該提議。如果對方的提議不在自己可以接受的范圍內，則拒絕提議，用采用Pareto遺傳算法產生一個對于雙方都相對最優的提議，再對此協議進行協商。如此循環，直到超過最大協商次數N或協商成功，則表示協商結束。

在本實驗中，假設對于社交網站點而言，信息公開對象、保持時間、用途、提醒時間四個協商議題的權重w_server為 (3，3，3，1)。權重越大，表示此議題對于社交網站點來說更重要。不同的用戶有不同的偏好，他們的偏好同樣可以用權重來表示，同樣，權重越大表示此項對于用戶越重要。不同的用戶隱私偏好與同一社交網的隱私策略協商結果會不同，即多樣性。實驗數據如表4所示:

表4 實驗數據 (選擇算子=0.9)(不同用戶與同一社交網)

如表中第一個用戶所設定的隱私偏好為 (3，3，2，2)，協商結果為5011，由表2可知從左到右其含義為:5代表信息公開對象為同愛好的人可見，0代表保存時間為不保存，1代表用途為教育研究，1代表提醒時間1個季度，由表3所知，5011分別所代表的效用值為 (3，10，6，6)則根據函數即3×3+3×10+2×6+2×6=63。為此用戶計算出的最大讓步值為63小于65則用戶接受提議。

假設同一用戶的隱私偏好設置相同，但因各社交網提供的隱私策略不一致，也會產生不同的協商結果即協商結果具有多樣性。實驗數據如表5所示:

表5 實驗數據 (同一用戶與不同社交網)

除了不同用戶與同一社交網，同一用戶與不同社交網協商結果具有多樣性以外，同一個用戶與同一個社交網進行隱私自動協商結果也具有多樣性。因為Pareto遺傳算法求的是近似最優解，且在遺傳算法中具有多個近似最優解，因此協商的結果具有多樣性。如表6所示，在表中還可以看出第一個協商結果與第二個協商結果對于社交網的期望值是一樣的，但對于用戶的讓步值卻不相同，原因是每個議題所代表的效用值不相同。

表6 實驗數據 (同一用戶與同一社交網)

圖3 協商次數與協商時間趨勢圖

此外，從表4，5，6中顯示的協商所需時間可得:協商時間較小，且在協商過程中，隨著協商次數的增加協商時間增加幅度都相對平緩，相差的幅度＜0.01s。證明了該模型在時間上的可行性。其具體協商次數與協商所需時間之間的關系如圖3所示。

6 結束語

本文結合Agent和協商的概念提出了一種基于Agent的社交網隱私自動協商模型。在該模型中采用了社交網協商協議模型，和Pareto遺傳算法作為協商算法。在模型中考慮到了用戶的主動性，融入了提醒機制，更好的保護用戶隱私安全。但是該模型中的協商算法本身還有一些問題存在，比如遺傳算法的早熟現象，本文所用的提醒機制是通過協商中的提醒時間來表示，過于簡單，所以對遺傳算法的改進和提醒機制的全面化是今后可以努力的方向。

［1］韋偉，李楊，張為群.一種基于GSNPP算法的社交網絡隱私保護方法研究 ［J］.計算機科學，2013，39(3):104—106.

［2］邱均平，李艷紅.社交網絡中用戶隱私安全問題探究 ［J］.情報資料工作，2012，(6):34—38.

［3］馬彥.基于Agent的自動協商技術研究 ［D］.甘肅:蘭州大學.2008:6—8.

［4］蔡莉，顏麗君.基于遺傳算法的隱私自動協商機制研究 ［C］.International conference on internet Technology and Applications 2010.

［5］李敏強，寇紀凇，李丹等.遺傳算法的基本理論與應用 ［M］.北京:科學出版社，2002.

［6］周明，孫樹棟.遺傳算法原理及應用［M］.北京:國防工業品出版社，2005.

［7］Rosenchein J S，Zlotkin G.Rulers of Encounter:Designing Conventions for Automated Negotiation among Computers［M］.MIT Press，Cambridge，MA，1994.