(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210803423.1 (22)申请日 2022.07.09 (71)申请人 广西师范大学 地址 541004 广西壮 族自治区桂林市七 星 区育才路15号 (72)发明人 王金艳　徐华泽　韦岳岑　李先贤　 (74)专利代理 机构 桂林市华杰 专利商标事务所 有限责任公司 451 12 专利代理师 覃永峰 (51)Int.Cl. G06F 21/55(2013.01) G06F 21/62(2013.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于动态图神经网络的隐私保护方法 (57)摘要 本发明公开了一种基于动态图神经网络的 隐私保护方法， 包括如下步骤： 步骤一： 动态图神 经网络中传递组件的交互单元在节点发生交互 时， 交互单元接收到正在交互的节点信息， 然后 产生交互信息； 步骤二： 判断在一次交互中 “受影 响节点”当前时刻的Cell  memory特征信息和上 一个时刻Cell  memory特征信息的差值是否小于 阈值 ； 步骤三： 基于流差分隐私； 步骤四： 使用 注意力的思想， 分配一个时刻的隐私预算到各个 节点； 步骤五： 对每个 “受影响节点 ”根据分配到 的隐私预算， 使用Laplace机制对 “受影响节点 ” 收到的信息进行扰动。 这种方法可以在动态图神 经网络中保护边的信息并获得较好的模型性能， 隐私保护效果 好。 权利要求书2页 说明书7页 附图1页 CN 115221508 A 2022.10.21 CN 115221508 A 1.一种基于动态图神经网络的隐私保护方法， 其特 征在于， 包括如下步骤： 步骤一： 动态图神经网络中传递组件的交互单元在节点发生交互时， 交互单元接收到 正在交互的节点信息， 然后产生交 互信息， 并把 生成的交 互信息传递给 “受影响节点 ”： 当交互发生时， 动态图神经网络中的交互单元从节点信息中生成(vs,vg,t)的交互信 息， vs表示发生交互时的源节点， vg表示发生交互时的目标节点， t表示发生交互 的时刻， 生 成的交互信息用作动态图神经网络中更新和传递单元的输入， 使用深度前馈神经网络对交 互单元进行建模， 得到动态图神经网络模型， 生成交 互信息的公式如下： 其中 和 是节点vs和节点vg在t时刻之前的通用特征， W1、 W2和be是动态图 神经网络的参数， act( ·)是激活函数； “交互节点 ”曾经发生过交互的一阶邻居节点被定义为 “受影响节点 ”， 当交互发生时， 动态图神经网络的传递组件会对 “受影响节点 ”线性地添加新信息， 攻击者根据 “受影响节 点”收到的传递信息对动态图中边的信息进行推测攻击， “受影响节点 ”为源节点vs的邻居 节点N(vs)和目标节点vg的邻居节点N(vg)，“受影响节点 ”vx在t时刻的Cell  memory特征信 息为 传递交互信息给“受影响节点 ”的过程为： 步骤二： 判断在一次交互中 “受影响节点 ”当前时刻的Cell  memory特征信息和上一个 时刻Cell memory特 征信息的差值是否小于阈值 τ： 节点在不同时刻都有对应时刻的Cell  memory特征， 对同一节点相邻时刻的Cell   memory特征相减得到的数值即为Δ， 即对于 “受影响节点 ”vx， 在当前t时刻对应的Cell   memory特征为 节点vx前一时刻对应的Cell  memory特征为 同一节点相邻时 刻的信息 差为： 在一次节点交互中， 需要判断一个 “受影响节点 ”接收到信息的大小是否大于阈值τ， 若 节点接收到的信息大于τ， 则认为该节点需要对传入的信息进行扰动也就需要消 耗隐私预 算， 否则认为该节 点不需要传入新的信息， 节点收到的信息和上一个时刻保持一致， 就不需 要扰动收到的信息， 在信息传递的过程中不消耗隐私预算， 步骤三： 基于流差分隐私， 根据不同时间戳内 “受影响节点 ”收到信息是否大于阈值τ 的 情况， 对不同时间戳分配的隐私： 使用流差分隐私对不同时间戳分配的隐私， 一个时间戳对应了一个时刻的交互， 在一 个时间戳t时刻， 根据t时刻是否有 “受影响节点 ”收到的信息大于阈值τ 的情况并分配隐私 预算， 若t时刻有 “受影响节点 ”收到的信息大于阈值τ， 这一时刻被分配到一个对应时刻的 隐私预算 εt( εt＞0)， 若在t时刻， “受影响节点 ”接收到的信息都没有大于阈值τ， 则这个时刻 分配到的隐私预算为εt＝0，“受影响节点 ”收到的信息和 上一时刻收到的信息保持一致即 Δt＝Δt‑1， 在使用流差分隐私进行隐私保护的场景下， 设滑动窗口的长度为w， 在滑动窗口权　利　要　求　书 1/2 页 2 CN 115221508 A 2w长度内消耗的隐私预算小于等于总隐私预算 ε； 对于需要分配隐私预算的时刻， 采用预算分配机制对需要分配隐私预算的时刻进行隐 私预算分配， 预算分配机制 每次分配不同隐私预算， 将隐私预算以指数递减的方式分配给 决定发布的时间戳， 并回收在活动窗口之外的时间戳所花费的预算； 步骤四： 使用注意力的思想， 根据 “交互节点 ”与“受影响节点 ”之间特征联系的紧密程 度和“交互节点 ”与“受影响节 点”上次的交互距离， 及现在发生交互的时间间隔生 成相对应 的注意力权重系数， 在一个时间戳内， 根据 注意力权重系数， 分配一个时刻的 隐私预算到各 个节点： 在一次交互中， 交互节点的一阶邻居节点有多个， 即 “受影响节点 ”有多个， 每个 “受影 响节点”平均分配一个时刻的隐私预算， 动态图神经网络模型会对学习到节点的表示效果 不佳， 采取注意力的思想， 对一个时刻内每个节点得到的隐私预算进行分配， 采用从 “交互 节点”和“受影响节点 ”之间联系的紧密程度和 “交互节点 ”与“受影响节点 ”上次的交互， 到 这次交互的时间间隔Δt的两个方面计算出每个 “受影响节点 ”相对应的权重系数， 从而对 一个时刻内的隐私预算 εt进行分配； 步骤五： 对每个 “受影响节点 ”根据分配到的隐私预算， 使用Laplace机制对 “受影响节 点”收到的信息进行扰动： 在动态图中， 节点交互发生时， 动态图神经网络中的传递组件对 “受影响节点 ”线性添 加传递信息 Δ即： 其中 为注意力系数， 取值范围为(0,1)， 对 “受影响节点”收到信息Δ 中的注意力系数部分 施加噪声， 生成受扰动的传递信息 注意力系数 的取值范围为(0,1)， 因此敏感度f为1， 使用Laplace机制根据分配到的隐私预算 对注意 力系数施加噪声： 步骤六： 动态图神经网络模型根据节点的交互信息、 收到的传递信 息进行训练， 并输出 训练的结果。权　利　要　求　书 2/2 页 3 CN 115221508 A 3