فایل ورد کامل درآوردن شبکه های اجتماعی دارای مقیاس آزاد از حالت بی نامی با استفاده از روش قسمت بندی طیفی

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل درآوردن شبکه های اجتماعی دارای مقیاس آزاد از حالت بی نامی با استفاده از روش قسمت بندی طیفی،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۲۰ صفحه

داده های شبکه های اجتماعی به صورت گسترده ای با بخشهای ثالث به اشتراک گذاشته می شوند، ارسال می شوند و منتشر می شوند که منجر به ایجاد خطر افشای اطلاعات محرمانه می شود. اگرچه تامین کننده شبکه همیشه قبل از انتشار آن نگران داده ها می باشد اما حمله کننده ها می توانند هنوزهم داده های بی نام را برطبق اطلاعات کمکی جمع آوری شده بازیابی کنند. ما در این مقاله مشکل از حالت بی نام درآوردن را به مشکل هماهنگ سازی گره در گراف تبدیل می کنیم و روش درآوردن از حالت بی نامی می تواند تعداد گره هایی که باید در هر بار هماهنگ سازی شوند را کاهش می دهد. به علاوه، ما از روش قسمت بندی طیفی برای تقسیم بندی گراف اجتماعی به زیرگراف های گسسته استفاده می کنیم و این روش می تواند به صورت موثری برای شبکه های اجتماعی دارای مقیاس بزرگ به کار برده شود و به صورت موازی با استفاده از چندین پردازشگر اجرا شود. درطی تحلیل تاثیر توزیع قانون توانی روی درآوردن از حالت بی نامی، ما از روی قواعد ترکیبی اطلاعات ساختاری و فردی کاربران را بررسی می کنیم که این کار اطلاعات مشخصه کاربر را عملی تر می سازد.

عنوان انگلیسی:

De-anonymizing Scale-Free Social Networks by Using Spectrum Partitioning Method

~~en~~ writers :

Qi Sun, Jiguo Yu, Honglu Jiang, Yixian Chen, Xiuzhen Cheng

Social network data is widely shared, forwarded and published to third parties, which led to the risks of privacy disclosure. Even thought the network provider always perturbs the data before publishing it, attackers can still recover anonymous data according to the collected auxiliary information. In this paper, we transform the problem of de-anonymization into node matching problem in graph, and the de-anonymization method can reduce the number of nodes to be matched at each time. In addition, we use spectrum partitioning method to divide the social graph into disjoint subgraphs, and it can effectively be applied to large-scale social networks and executed in parallel by using multiple processors. Through the analysis of the influence of power-law distribution on de-anonymization, we synthetically consider the structural and personal information of users which made the feature information of the user more practical.

$$en!!