KDCS: Achieving Efficient and Privacy-Preserving ($k,d$k,d)-Truss Community Search for Social Networks
Notice bibliographique
Résumé
Community search is essential in social network analysis, with the ($k,d$)-truss model offering a robust framework to identify densely connected subgraphs that contain a query vertex and meet both$k$-truss and distance constraints. Despite the increasing reliance on cloud servers for processing large social network graph data, privacy concerns remain unaddressed. To fill this gap, we propose a novel privacy-preserving ($k,d$)-truss community search (KDCS) scheme based on weighted community graphs. Specifically, to enhance search efficiency, we introduce a$k$-truss-G (KTG) tree to index communities for efficient queries. Firstly, we develop a boundary vertex encoding mechanism for the social distance matrix. Then, we design a KTG tree construction algorithm and a ($k,d$)-truss community search algorithm based on the concept of segmentation and assembly. To ensure data security, we propose a secure community distance calculation (SCDC) algorithm, which utilizes mutually orthogonal matrices to preserve the privacy of the social distance matrix while accurately calculating the social distance. Furthermore, improved symmetric homomorphic encryption (iSHE) and matrix encryption are utilized to safeguard both dataset privacy and query privacy effectively. In addition, rigorous security analysis demonstrates that the proposed KDCS scheme is indeed privacy-preserving. Finally, extensive comparative experiments with real social network datasets show that KDCS exhibits outstanding performance at every stage, underscoring its practical significance.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,003 | 0,006 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,004 | 0,008 |
| Science ouverte | 0,007 | 0,008 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,003 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».