基于持久性的多目标节点隐藏方法

doi:10.11772/j.issn.1001-9081.2024091314

《计算机应用》唯一官方网站 ›› 2025, Vol. 45 ›› Issue (10): 3203-3213.DOI: 10.11772/j.issn.1001-9081.2024091314

• 数据科学与技术 • 上一篇

基于持久性的多目标节点隐藏方法

吕乐¹, 张博瀚², 荆军昌³, 刘栋¹^,²^,³()

^1.河南师范大学计算机与信息工程学院，河南新乡 453007
^2.教育人工智能与个性化学习河南省重点实验室（河南师范大学），河南新乡 453007
^3.教学资源与教育质量评估大数据河南省工程实验室（河南师范大学），河南新乡 453007

收稿日期:2024-09-14 修回日期:2024-12-03 接受日期:2024-12-09 发布日期:2025-01-14 出版日期:2025-10-10
通讯作者: 刘栋
作者简介:吕乐（2000—），男，河南驻马店人，硕士研究生，主要研究方向：社会网络分析
张博瀚（1998—），男，河南新乡人，硕士研究生，主要研究方向：社会网络分析
荆军昌（1990—），男，河南焦作人，讲师，博士，CCF会员，主要研究方向：社会计算、多媒体内容分析
刘栋（1976—），男，河南新乡人，教授，博士，CCF会员，主要研究方向：教育大数据挖掘、社会网络分析。Email:liudong@htu.edu.cn
基金资助:
国家自然科学基金资助项目(62072160)

Multi-target node hiding method based on permanence

Le LYU¹, Bohan ZHANG², Junchang JING³, Dong LIU¹^,²^,³()

^1.School of Computer and Information Engineering，Henan Normal University，Xinxiang Henan 453007，China
^2.Henan Provincial Key Laboratory of Artificial Intelligence and Personalized Learning in Education （Henan Normal University），Xinxiang Henan 453007，China
^3.Big Data for Teaching Resources and Education Quality Evaluation Henan Engineering Laboratory （Henan Normal University），Xinxiang Henan 453007，China

Received:2024-09-14 Revised:2024-12-03 Accepted:2024-12-09 Online:2025-01-14 Published:2025-10-10
Contact: Dong LIU
About author:LYU Le， born in 2000， M. S. candidate. His research interests include social network analysis.
ZHANG Bohan， born in 1998， M. S. candidate. His research interests include social network analysis.
JING Junchang， born in 1990， Ph. D.， lecturer. His research interests include social computing， multimedia content analysis.
LIU Dong， born in 1976， Ph. D.， professor. His research interests include education big data mining， social network analysis.
Supported by:
National Natural Science Foundation of China(62072160)

摘要/Abstract

摘要：

社区检测尽管能深度揭示网络潜在的结构特征和节点之间的关系，但也产生了隐私泄露问题。社区隐藏方法能够有效对抗社区检测算法，从而实现网络节点信息的隐私保护。然而，传统的社区隐藏方法大多关注网络中的单一目标或单一社区的隐私保护，缺乏一种能够针对任意目标集合进行隐藏的方法。针对上述问题，提出一种持久性损失最大化的多目标节点隐藏（BPMNH）方法。该方法可以自由配置拟隐藏的目标节点集合，并根据网络规模自适应地给出持久性损失最大化方案，从而在最小的网络拓扑扰动代价下，实现不同社区的多个目标节点隐藏。在Karate等8个数据集上，从隐藏效果、网络结构和综合欺骗效果方面与基于模块度的攻击（MBA）等3种基线方法进行对比，实验结果表明BPMNH在多目节点隐藏上均优于对比方法，验证了所提方法的优越性。

关键词: 社区隐藏, 社区检测, 多目标节点, 持久性, 复杂网络

Abstract:

Although community detection can reveal underlying structural characteristics of the network and relationships between nodes deeply， it also raises privacy leakage issues. Community hiding methods can resist community detection algorithms effectively， thereby achieving privacy protection of network node information. However， most of the traditional community hiding methods only focus on privacy protection of a single target or community in the network， there is a lack of a method that can hide any target set. In order to solve the above problems， a Based on Permanence-loss Maximization for multiple target Nodes Hiding （BPMNH） method was proposed. In the method， the set of target nodes to be hidden was able to be configured freely， and permanence loss maximization scheme was provided according to the network scale adaptively， thereby achieving hiding of multiple target nodes in different communities with minimal network topology disturbance cost. On eight datasets such as Karate， the experimental results show that BPMNH is better than three baseline methods such as Modularity Based Attack （MBA） in terms of hiding effect， network structure and comprehensive deception effect， validating the superiority of the proposed method in multi-target node hiding.

Key words: community hiding, community detection, multiple target nodes, permanence, complex network

中图分类号:

TP18

吕乐, 张博瀚, 荆军昌, 刘栋. 基于持久性的多目标节点隐藏方法[J]. 计算机应用, 2025, 45(10): 3203-3213.

Le LYU, Bohan ZHANG, Junchang JING, Dong LIU. Multi-target node hiding method based on permanence[J]. Journal of Computer Applications, 2025, 45(10): 3203-3213.

图/表 13

参考文献 45

[1]	GIRVAN M， NEWMAN M E J. Community structure in social and biological networks［J］. Proceedings of the National Academy of Sciences of the United States of America， 2002， 99（12）： 7821-7826.
[2]	ALBERT R， BARABÁSI A L. Statistical mechanics of complex networks［J］. Reviews of Modern Physics， 2002， 74（1）： 47-97.
[3]	NEWMAN M E J. The structure and function of complex networks［J］. SIAM Review， 2003， 45（2）： 167-256.
[4]	OUKEMENI S， RIFÀ-POUS H， PUIG J M M. Privacy analysis on microblogging online social networks： a survey［J］. ACM Computing Surveys， 2020， 52（3）： No.60.
[5]	NAGARAJA S. The impact of unlinkability on adversarial community detection： effects and countermeasures［C］// Proceedings of the 2010 International Symposium on Privacy Enhancing Technologies， LNCS 6205. Berlin： Springer， 2010： 253-272.
[6]	CHEN J， CHEN L， CHEN Y， et al. GA-based Q-Attack on community detection［J］. IEEE Transactions on Computational Social Systems， 2019， 6（3）： 491-503.
[7]	WANIEK M， MICHALAK T P， WOOLDRIDGE M J， et al. Hiding individuals and communities in a social network［J］. Nature Human Behaviour， 2018， 2（2）： 139-147.
[8]	MITTAL S， SENGUPTA D， CHAKRABORTY T. Hide and seek： outwitting community detection algorithms［J］. IEEE Transactions on Computational Social Systems， 2021， 8（4）： 799-808.
[9]	刘栋，刘侠，贾若雪，等. 基于随机块模型的社区隐藏统一框架［J］. 计算机研究与发展， 2024， 61（7）：1850-1862.
	LIU D， LIU X， JIA R X， et al. A unified framework for community hiding based on stochastic block model［J］. Journal of Computer Research and Development， 2024， 61（7）： 1850-1862.
[10]	FIONDA V， PIRRÒ G. Community deception or： how to stop fearing community detection algorithms［J］. IEEE Transactions on Knowledge and Data Engineering， 2018， 30（4）： 660-673.
[11]	LIU D， CHANG Z， YANG G， et al. Hiding ourselves from community detection through genetic algorithms［J］. Information Sciences， 2022， 614： 123-137.
[12]	McAULEY J， LESKOVEC J. Learning to discover social circles in ego networks［C］// Proceedings of the 26th International Conference on Neural Information Processing Systems — Volume 1. Red Hook： Curran Associates Inc.， 2012： 539-547.
[13]	AHN Y Y， BAGROW J P， LEHMANN S. Link communities reveal multiscale complexity in networks［J］. Nature， 2010， 466（7307）： 761-764.
[14]	YANG L， CAO X， HE D， et al. Modularity-based community detection with deep learning［C］// Proceedings of the 25th International Joint Conference on Artificial Intelligence. Palo Alto： AAAI Press， 2016： 2252-2258.
[15]	STREICH A P， FRANK M， BASIN D， et al. Multi-assignment clustering for Boolean data［C］// Proceedings of the 26th Annual International Conference on Machine Learning. New York： ACM， 2009： 969-976.
[16]	SØRENSEN M， SIDIROPOULOS N D， SWAMI A. Overlapping community detection via semi-binary matrix factorization： identifiability and algorithms［J］. IEEE Transactions on Signal Processing， 2022， 70： 4321-4336.
[17]	BALASUBRAMANYAN R， COHEN W W. Block-LDA： jointly modeling entity-annotated text and entity-entity links［C］// Proceedings of the 2011 SIAM International Conference on Data Mining. Philadelphia， PA： SIAM， 2011： 450-461.
[18]	COSCIA M， ROSSETTI G， GIANNOTTI F， et al. DEMON： a local-first discovery method for overlapping communities［C］// Proceedings of the 18th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York： ACM， 2012： 615-623.
[19]	HUANG W， LIU Y， CHEN Y. Mixed membership stochastic block models for heterogeneous networks［J］. Bayesian Analysis， 2020， 15（3）： 711-736.
[20]	ZHANG A， ZHU J， ZHANG B. Sparse relational topic models for document networks［C］// Proceedings of the 2013 European Conference on Machine Learning and Knowledge Discovery in Databases， LNCS 8188. Berlin： Springer， 2013： 670-685.
[21]	NEWMAN M E J. Modularity and community structure in networks［J］. Proceedings of the National Academy of Sciences of the United States of America， 2006， 103（23）： 8577-8582.
[22]	KHAN B S， NIAZI M A. Network community detection： a review and visual survey［EB/OL］. ［2024-04-13］..
[23]	王瀚橙，戴海鹏，陈志鹏，等. 基于MapReduce的大规模网络社区发现算法［J］. 计算机科学， 2024， 51（4）： 11-18.
	WANG H C， DAI H P， CHEN Z P， et al. Large-scale network community detection algorithm based on MapReduce［J］. Computer Science， 2024， 51（4）： 11-18.
[24]	YANG G， ZHENG W， CHE C， et al. Graph-based label propagation algorithm for community detection［J］. International Journal of Machine Learning and Cybernetics， 2020， 11（6）： 1319-1329.
[25]	FAN L， SONG K， LIU D. A noise reduction method for semi-supervised community detection based on harmonic function［J］. International Journal of Modern Physics B， 2018， 32（14）： No.1850166.
[26]	赵兴旺，薛晋芳. 基于二部图表示的属性网络社区发现算法［J］. 计算机科学， 2023， 50（11）： 107-113.
	ZHAO X W， XUE J F. Community discovery algorithm for attributed networks based on bipartite graph representation［J］. Computer Science， 2023， 50（11）： 107-113.
[27]	XU Z， KE Y， WANG Y， et al. A model-based approach to attributed graph clustering［C］// Proceedings of the 2012 ACM SIGMOD International Conference on Management of Data. New York： ACM， 2012： 505-516.
[28]	PALLA G， DERÉNYI I， FARKAS I， et al. Uncovering the overlapping community structure of complex networks in nature and society［J］. Nature， 2005， 435（7043）： 814-818.
[29]	MEENA J， DEVI V S. Overlapping community detection in social network using disjoint community detection［C］// Proceedings of the 2015 IEEE Symposium Series on Computational Intelligence. Piscataway： IEEE， 2015： 764-771.
[30]	CHEN X， JIANG Z， LI H， et al. Community hiding by link perturbation in social networks［J］. IEEE Transactions on Computational Social Systems， 2021， 8（3）： 704-715.
[31]	LIU Y， LIU J， ZHANG Z， et al. REM： from structural entropy to community structure deception［C］// Proceedings of the 33rd International Conference on Neural Information Processing Systems. Red Hook： Curran Associates Inc.， 2019： 12938-12948.
[32]	FIONDA V， MADI S A， PIRRÒ G. Community deception： from undirected to directed networks［J］. Social Network Analysis and Mining， 2022， 12： No.74.
[33]	FIONDA V， PIRRÒ G. Community deception in weighted networks［C］// Proceedings of the 2021 IEEE/ACM International Conference on Advances in Social Networks Analysis and Mining. New York： ACM， 2022： 278-282.
[34]	NALLUSAMY K， EASWARAKUMAR K S. PERMDEC： community deception in weighted networks using permanence［J］. Computing， 2024， 106（2）： 353-370.
[35]	YANG G， WANG Y， CHANG Z， et al. Overlapping community hiding method based on multi-level neighborhood information［J］. Symmetry， 2022， 14（11）： No.2328.
[36]	LIU D， JIA R， LIU X， et al. A unified framework of community hiding using symmetric nonnegative matrix factorization［J］. Information Sciences， 2024， 663： No.120235.
[37]	PIRRÒ G. Community deception from a node-centric perspective［J］. IEEE Transactions on Network Science and Engineering， 2024， 11（1）： 969-981.
[38]	CHAKRABORTY T， SRINIVASAN S， GANGULY N， et al. On the permanence of vertices in network communities［C］// Proceedings of the 20th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York： ACM， 2014： 1396-1405.
[39]	ZACHARY W W. An information flow model for conflict and fission in small groups［J］. Journal of Anthropological Research， 1977， 33（4）： 452-473.
[40]	LUSSEAU D， SCHNEIDER K， BOISSEAU O J， et al. The bottlenose dolphin community of Doubtful Sound features a large proportion of long-lasting associations［J］. Behavioral Ecology and Sociobiology， 2003， 54（4）： 396-405.
[41]	ROSSI R A， AHMED N K. The network data repository with interactive graph analytics and visualization［C］// Proceedings of the 29th AAAI Conference on Artificial Intelligence. Palo Alto： AAAI Press， 2015： 4292-4293.
[42]	BLONDEL V D， GUILLAUME J L， LAMBIOTTE R， et al. Fast unfolding of communities in large networks［J］. Journal of Statistical Mechanics： Theory and Experiment， 2008， 2008（10）： No.P10008.
[43]	ROSVALL M， BERGSTROM C T. Maps of random walks on complex networks reveal community structure［J］. Proceedings of the National Academy of Sciences of the United States of America， 2008， 105（4）： 1118-1123.
[44]	HOSSEINI R， REZVANIAN A. AntLP： ant-based label propagation algorithm for community detection in social networks［J］. CAAI Transactions on Intelligence Technology， 2020， 5（1）： 34-41.
[45]	PONS P， LATAPY M. Computing communities in large networks using random walks［C］// Proceedings of the 2005 International Symposium on Computer and Information Sciences， LNCS 3733. Berlin： Springer， 2005： 284-293.

数据集	节点数	边数	数据集描述
Karate	34	78	空手道网络
Dolphins	62	159	海豚社交网络
Polbooks	105	441	美国政治书籍网络
Football	115	616	足球网络
Email-univ	1 133	5 451	大学邮件网络
Power	4 941	6 594	美国电网
Oregon-1	10 670	22 002	自治系统对等信息网络
Tech-pgp	10 680	24 316	安全信息交换网络

数据集	节点数	边数	数据集描述
Karate	34	78	空手道网络
Dolphins	62	159	海豚社交网络
Polbooks	105	441	美国政治书籍网络
Football	115	616	足球网络
Email-univ	1 133	5 451	大学邮件网络
Power	4 941	6 594	美国电网
Oregon-1	10 670	22 002	自治系统对等信息网络
Tech-pgp	10 680	24 316	安全信息交换网络

检测方法	Karate数据集上的异化率
	5%预算				10%预算				15%预算				20%预算
	MBA	nDec	CH-SNMF	BPMNH	MBA	nDec	CH-SNMF	BPMNH	MBA	nDec	CH-SNMF	BPMNH	MBA	nDec	CH-SNMF	BPMNH
Lou	5.0	11.1	11.1	3.3	6.7	22.2	11.1	26.7	13.3	11.1	33.3	33.3	33.3	11.1	33.3	33.3
Lei	0.0	66.7	0.0	0.0	6.7	33.3	66.7	33.3	25.0	66.7	66.6	33.3	43.3	66.7	66.7	33.3
Inf	0.0	0.0	0.0	0.0	1.7	0.0	0.0	0.0	11.7	0.0	0.0	33.3	20.0	33.3	66.7	100.0
Lab	13.3	0.0	0.0	33.3	16.7	0.0	33.3	33.3	31.7	0.0	33.3	33.3	30.0	0.0	33.3	33.3
Walk	3.3	0.0	0.0	0.0	3.3	0.0	0.0	66.7	11.7	0.0	66.7	66.7	41.7	100.0	66.7	66.7
Fast	3.3	0.0	0.0	0.0	20.0	33.3	0.0	33.3	25.0	33.3	33.3	66.7	40.0	66.7	0.0	33.3
平均值	4.2	13.0	1.9	6.1	9.2	14.8	18.5	32.2	19.7	18.5	38.9	44.4	34.7	46.3	44.4	50.0
检测方法	Polbooks数据集上的异化率
	5%预算				10%预算				15%预算				20%预算
	MBA	nDec	CH-SNMF	BPMNH	MBA	nDec	CH-SNMF	BPMNH	MBA	nDec	CH-SNMF	BPMNH	MBA	nDec	CH-SNMF	BPMNH
Lou	1.0	0.0	6.7	15.0	13.5	33.3	33.3	15.0	16.5	20.0	26.7	34.0	36.5	36.7	56.7	57.0
Lei	3.5	0.0	0.0	0.0	7.0	0.0	0.0	20.0	34.5	20.0	0.0	50.0	40.5	20.0	70.0	80.0
Inf	0.0	0.0	0.0	0.0	1.0	0.0	10.0	0.0	4.0	0.0	0.0	10.0	5.5	0.0	40.0	30.0
Lab	8.0	0.0	0.0	0.0	9.0	0.0	0.0	50.0	10.5	0.0	0.0	0.0	25.0	0.0	20.0	50.0
Walk	0.5	10.0	0.0	0.0	2.0	10.0	0.0	10.0	2.0	0.0	0.0	10.0	9.0	10.0	0.0	30.0
Fast	1.0	0.0	20.0	20.0	1.0	0.0	0.0	10.0	8.5	0.0	0.0	40.0	12.5	0.0	0.0	40.0
平均值	2.3	1.7	4.4	5.8	5.6	7.2	7.2	17.5	12.7	6.7	4.4	24.0	21.5	11.1	31.1	47.8
检测方法	Football数据集上的异化率
	5%预算				10%预算				15%预算				20%预算
	MBA	nDec	CH-SNMF	BPMNH	MBA	nDec	CH-SNMF	BPMNH	MBA	nDec	CH-SNMF	BPMNH	MBA	nDec	CH-SNMF	BPMNH
Lou	3.6	18.2	16.7	16.4	7.7	39.4	16.7	63.6	32.7	100.0	33.3	90.9	74.1	100.0	61.1	100.0
Lei	6.4	9.1	0.0	0.0	11.4	45.5	16.7	54.5	36.8	81.8	33.3	90.9	68.2	100.0	33.3	100.0
Inf	27.3	27.3	33.3	27.3	35.5	54.5	50.0	72.7	48.2	100.0	33.3	72.7	76.4	100.0	50.0	81.8
Lab	23.2	9.1	33.3	27.3	47.3	54.5	33.3	81.8	64.1	90.9	33.3	72.7	86.8	100.0	50.0	81.8
Walk	5.5	9.1	0.0	0.0	25.0	63.6	50.0	45.5	66.4	100.0	50.0	81.8	80.5	100.0	66.7	90.9
Fast	41.8	45.5	33.3	54.5	48.6	63.6	33.3	63.6	56.8	90.9	66.7	100.0	72.7	90.9	66.7	72.7
平均值	18.0	19.7	19.4	20.9	29.2	53.5	33.3	63.6	50.8	93.9	41.7	84.8	76.4	98.5	54.6	87.9
检测方法	Dolphins数据集上的异化率
	5%预算				10%预算				15%预算				20%预算
	MBA	nDec	CH-SNMF	BPMNH	MBA	nDec	CH-SNMF	BPMNH	MBA	nDec	CH-SNMF	BPMNH	MBA	nDec	CH-SNMF	BPMNH
Lou	3.3	0.0	16.7	3.3	8.3	0.0	16.7	33.3	15.8	5.6	38.9	35.0	34.2	5.6	61.1	61.7
Lei	0.8	0.0	0.0	0.0	14.2	0.0	16.7	33.3	23.3	0.0	33.3	28.3	45.8	33.3	33.3	66.7
Inf	5.8	0.0	0.0	50.0	15.8	50.0	50.0	16.7	37.5	66.7	33.3	50.0	46.7	16.7	50.0	66.7
Lab	20.8	16.7	33.3	16.7	27.5	50.0	33.3	33.3	34.2	50.0	33.3	33.3	40.0	50.0	50.0	66.7
Walk	8.3	16.7	0.0	0.0	8.3	0.0	50.0	50.0	43.3	16.7	50.0	50.0	39.2	16.7	66.7	16.6
Fast	13.3	16.7	33.3	16.7	20.8	16.7	33.3	33.3	35.0	0.0	66.7	50.0	46.7	50.0	66.7	50.0
平均值	8.7	8.3	13.9	14.4	15.8	19.4	33.3	33.3	31.5	23.1	42.6	41.1	42.1	28.7	54.6	54.7
检测方法	Email-univ数据集上的异化率
	5%预算				10%预算				15%预算				20%预算
	MBA	nDec	CH-SNMF	BPMNH	MBA	nDec	CH-SNMF	BPMNH	MBA	nDec	CH-SNMF	BPMNH	MBA	nDec	CH-SNMF	BPMNH
Lou	30.3	20.9	17.7	25.0	25.3	38.9	28.3	39.0	27.6	46.9	34.5	47.0	41.8	51.6	36.6	58.7
Lei	14.9	28.3	18.6	22.6	18.9	41.6	22.1	32.7	25.7	38.9	29.2	38.9	29.4	42.5	29.2	42.9
Inf	27.1	31.9	24.8	34.5	31.7	53.1	29.2	40.7	38.2	58.4	38.1	72.6	49.7	76.1	43.4	61.1
Lab	37.3	23.9	19.5	48.7	44.8	46.9	48.7	48.7	49.7	46.9	48.7	48.7	48.7	46.0	47.8	48.7
Walk	9.7	15.0	7.1	10.6	21.8	23.0	10.6	17.7	21.1	35.4	21.2	30.1	39.1	49.6	21.2	29.2
Fast	42.1	44.2	46.0	42.5	41.4	46.0	23.9	44.2	43.5	39.8	30.1	45.1	44.2	44.2	35.4	48.7
平均值	26.9	27.4	22.3	30.6	30.6	41.6	27.1	37.2	34.3	44.4	33.6	47.1	42.1	51.7	35.6	48.2
检测方法	Tech-pgp数据集上的异化率
	5%预算				10%预算				15%预算				20%预算
	MBA	nDec	CH-SNMF	BPMNH	MBA	nDec	CH-SNMF	BPMNH	MBA	nDec	CH-SNMF	BPMNH	MBA	nDec	CH-SNMF	BPMNH
Lou	16.5	15.7	21.4	22.8	20.7	17.5	26.6	29.7	23.4	18.4	31.5	33.9	26.0	24.8	37.3	39.0
Lei	14.0	10.3	17.4	17.4	16.3	13.1	23.1	29.5	17.7	19.6	29.7	29.5	18.0	24.3	32.6	33.9
Inf	23.9	78.6	78.6	78.3	23.9	78.5	28.4	78.6	37.4	78.3	58.9	56.3	78.7	28.5	69.5	61.0
Lab	16.6	25.4	14.1	21.2	14.3	27.6	25.6	24.6	14.7	38.3	19.0	26.5	15.4	36.5	25.7	42.3
Walk	18.7	23.2	17.9	16.4	20.3	17.8	24.9	23.8	25.1	23.5	29.2	29.5	23.2	29.6	32.5	33.5
Fast	8.6	18.9	23.9	31.1	25.0	26.3	44.2	36.7	27.7	24.5	39.7	43.5	27.2	33.1	46.1	45.1
平均值	16.4	28.7	28.9	31.2	20.1	30.1	28.8	37.1	24.3	33.8	34.7	36.5	31.4	29.4	40.6	42.5

检测方法	Karate数据集上的异化率
	5%预算				10%预算				15%预算				20%预算
	MBA	nDec	CH-SNMF	BPMNH	MBA	nDec	CH-SNMF	BPMNH	MBA	nDec	CH-SNMF	BPMNH	MBA	nDec	CH-SNMF	BPMNH
Lou	5.0	11.1	11.1	3.3	6.7	22.2	11.1	26.7	13.3	11.1	33.3	33.3	33.3	11.1	33.3	33.3
Lei	0.0	66.7	0.0	0.0	6.7	33.3	66.7	33.3	25.0	66.7	66.6	33.3	43.3	66.7	66.7	33.3
Inf	0.0	0.0	0.0	0.0	1.7	0.0	0.0	0.0	11.7	0.0	0.0	33.3	20.0	33.3	66.7	100.0
Lab	13.3	0.0	0.0	33.3	16.7	0.0	33.3	33.3	31.7	0.0	33.3	33.3	30.0	0.0	33.3	33.3
Walk	3.3	0.0	0.0	0.0	3.3	0.0	0.0	66.7	11.7	0.0	66.7	66.7	41.7	100.0	66.7	66.7
Fast	3.3	0.0	0.0	0.0	20.0	33.3	0.0	33.3	25.0	33.3	33.3	66.7	40.0	66.7	0.0	33.3
平均值	4.2	13.0	1.9	6.1	9.2	14.8	18.5	32.2	19.7	18.5	38.9	44.4	34.7	46.3	44.4	50.0
检测方法	Polbooks数据集上的异化率
	5%预算				10%预算				15%预算				20%预算
	MBA	nDec	CH-SNMF	BPMNH	MBA	nDec	CH-SNMF	BPMNH	MBA	nDec	CH-SNMF	BPMNH	MBA	nDec	CH-SNMF	BPMNH
Lou	1.0	0.0	6.7	15.0	13.5	33.3	33.3	15.0	16.5	20.0	26.7	34.0	36.5	36.7	56.7	57.0
Lei	3.5	0.0	0.0	0.0	7.0	0.0	0.0	20.0	34.5	20.0	0.0	50.0	40.5	20.0	70.0	80.0
Inf	0.0	0.0	0.0	0.0	1.0	0.0	10.0	0.0	4.0	0.0	0.0	10.0	5.5	0.0	40.0	30.0
Lab	8.0	0.0	0.0	0.0	9.0	0.0	0.0	50.0	10.5	0.0	0.0	0.0	25.0	0.0	20.0	50.0
Walk	0.5	10.0	0.0	0.0	2.0	10.0	0.0	10.0	2.0	0.0	0.0	10.0	9.0	10.0	0.0	30.0
Fast	1.0	0.0	20.0	20.0	1.0	0.0	0.0	10.0	8.5	0.0	0.0	40.0	12.5	0.0	0.0	40.0
平均值	2.3	1.7	4.4	5.8	5.6	7.2	7.2	17.5	12.7	6.7	4.4	24.0	21.5	11.1	31.1	47.8
检测方法	Football数据集上的异化率
	5%预算				10%预算				15%预算				20%预算
	MBA	nDec	CH-SNMF	BPMNH	MBA	nDec	CH-SNMF	BPMNH	MBA	nDec	CH-SNMF	BPMNH	MBA	nDec	CH-SNMF	BPMNH
Lou	3.6	18.2	16.7	16.4	7.7	39.4	16.7	63.6	32.7	100.0	33.3	90.9	74.1	100.0	61.1	100.0
Lei	6.4	9.1	0.0	0.0	11.4	45.5	16.7	54.5	36.8	81.8	33.3	90.9	68.2	100.0	33.3	100.0
Inf	27.3	27.3	33.3	27.3	35.5	54.5	50.0	72.7	48.2	100.0	33.3	72.7	76.4	100.0	50.0	81.8
Lab	23.2	9.1	33.3	27.3	47.3	54.5	33.3	81.8	64.1	90.9	33.3	72.7	86.8	100.0	50.0	81.8
Walk	5.5	9.1	0.0	0.0	25.0	63.6	50.0	45.5	66.4	100.0	50.0	81.8	80.5	100.0	66.7	90.9
Fast	41.8	45.5	33.3	54.5	48.6	63.6	33.3	63.6	56.8	90.9	66.7	100.0	72.7	90.9	66.7	72.7
平均值	18.0	19.7	19.4	20.9	29.2	53.5	33.3	63.6	50.8	93.9	41.7	84.8	76.4	98.5	54.6	87.9
检测方法	Dolphins数据集上的异化率
	5%预算				10%预算				15%预算				20%预算
	MBA	nDec	CH-SNMF	BPMNH	MBA	nDec	CH-SNMF	BPMNH	MBA	nDec	CH-SNMF	BPMNH	MBA	nDec	CH-SNMF	BPMNH
Lou	3.3	0.0	16.7	3.3	8.3	0.0	16.7	33.3	15.8	5.6	38.9	35.0	34.2	5.6	61.1	61.7
Lei	0.8	0.0	0.0	0.0	14.2	0.0	16.7	33.3	23.3	0.0	33.3	28.3	45.8	33.3	33.3	66.7
Inf	5.8	0.0	0.0	50.0	15.8	50.0	50.0	16.7	37.5	66.7	33.3	50.0	46.7	16.7	50.0	66.7
Lab	20.8	16.7	33.3	16.7	27.5	50.0	33.3	33.3	34.2	50.0	33.3	33.3	40.0	50.0	50.0	66.7
Walk	8.3	16.7	0.0	0.0	8.3	0.0	50.0	50.0	43.3	16.7	50.0	50.0	39.2	16.7	66.7	16.6
Fast	13.3	16.7	33.3	16.7	20.8	16.7	33.3	33.3	35.0	0.0	66.7	50.0	46.7	50.0	66.7	50.0
平均值	8.7	8.3	13.9	14.4	15.8	19.4	33.3	33.3	31.5	23.1	42.6	41.1	42.1	28.7	54.6	54.7
检测方法	Email-univ数据集上的异化率
	5%预算				10%预算				15%预算				20%预算
	MBA	nDec	CH-SNMF	BPMNH	MBA	nDec	CH-SNMF	BPMNH	MBA	nDec	CH-SNMF	BPMNH	MBA	nDec	CH-SNMF	BPMNH
Lou	30.3	20.9	17.7	25.0	25.3	38.9	28.3	39.0	27.6	46.9	34.5	47.0	41.8	51.6	36.6	58.7
Lei	14.9	28.3	18.6	22.6	18.9	41.6	22.1	32.7	25.7	38.9	29.2	38.9	29.4	42.5	29.2	42.9
Inf	27.1	31.9	24.8	34.5	31.7	53.1	29.2	40.7	38.2	58.4	38.1	72.6	49.7	76.1	43.4	61.1
Lab	37.3	23.9	19.5	48.7	44.8	46.9	48.7	48.7	49.7	46.9	48.7	48.7	48.7	46.0	47.8	48.7
Walk	9.7	15.0	7.1	10.6	21.8	23.0	10.6	17.7	21.1	35.4	21.2	30.1	39.1	49.6	21.2	29.2
Fast	42.1	44.2	46.0	42.5	41.4	46.0	23.9	44.2	43.5	39.8	30.1	45.1	44.2	44.2	35.4	48.7
平均值	26.9	27.4	22.3	30.6	30.6	41.6	27.1	37.2	34.3	44.4	33.6	47.1	42.1	51.7	35.6	48.2
检测方法	Tech-pgp数据集上的异化率
	5%预算				10%预算				15%预算				20%预算
	MBA	nDec	CH-SNMF	BPMNH	MBA	nDec	CH-SNMF	BPMNH	MBA	nDec	CH-SNMF	BPMNH	MBA	nDec	CH-SNMF	BPMNH
Lou	16.5	15.7	21.4	22.8	20.7	17.5	26.6	29.7	23.4	18.4	31.5	33.9	26.0	24.8	37.3	39.0
Lei	14.0	10.3	17.4	17.4	16.3	13.1	23.1	29.5	17.7	19.6	29.7	29.5	18.0	24.3	32.6	33.9
Inf	23.9	78.6	78.6	78.3	23.9	78.5	28.4	78.6	37.4	78.3	58.9	56.3	78.7	28.5	69.5	61.0
Lab	16.6	25.4	14.1	21.2	14.3	27.6	25.6	24.6	14.7	38.3	19.0	26.5	15.4	36.5	25.7	42.3
Walk	18.7	23.2	17.9	16.4	20.3	17.8	24.9	23.8	25.1	23.5	29.2	29.5	23.2	29.6	32.5	33.5
Fast	8.6	18.9	23.9	31.1	25.0	26.3	44.2	36.7	27.7	24.5	39.7	43.5	27.2	33.1	46.1	45.1
平均值	16.4	28.7	28.9	31.2	20.1	30.1	28.8	37.1	24.3	33.8	34.7	36.5	31.4	29.4	40.6	42.5

检测方法	Email-univ数据集上的异化率
	5%预算				10%预算				15%预算				20%预算
	MBA	nDec	CH-SNMF	BPMNH	MBA	nDec	CH-SNMF	BPMNH	MBA	nDec	CH-SNMF	BPMNH	MBA	nDec	CH-SNMF	BPMNH
Lou	33.6	84.5	38.2	84.5	42.7	94.5	53.6	100.0	46.4	98.2	74.5	99.1	61.8	99.1	93.6	100.0
Lei	43.6	92.7	20.0	81.8	21.8	100.0	40.0	100.0	56.4	100.0	63.6	100.0	45.5	100.0	100.0	100.0
Inf	18.2	90.9	45.5	100.0	36.4	100.0	72.7	100.0	36.4	100.0	81.8	100.0	54.5	100.0	90.9	100.0
Lab	36.4	27.3	36.4	36.4	36.4	100.0	36.4	36.4	36.4	100.0	36.4	54.5	36.4	36.4	36.4	36.4
Walk	0.0	45.5	0.0	63.6	36.4	36.4	54.5	100.0	36.4	45.5	36.4	100.0	100.0	45.5	36.4	100.0
Fast	27.3	72.7	72.7	72.7	63.6	90.9	63.6	90.9	72.7	90.9	72.7	100.0	54.5	90.9	72.7	90.9
平均值	26.5	68.9	35.5	73.2	39.5	87.0	53.5	87.9	47.4	89.1	60.9	92.3	58.8	78.6	71.7	87.9
检测方法	Power数据集上的异化率
	5%预算				10%预算				15%预算				20%预算
	MBA	nDec	CH-SNMF	BPMNH	MBA	nDec	CH-SNMF	BPMNH	MBA	nDec	CH-SNMF	BPMNH	MBA	nDec	CH-SNMF	BPMNH
Lou	22.9	34.7	19.4	39.0	24.7	96.3	36.3	78.4	31.0	99.2	49.0	98.4	32.0	98.4	68.6	98.4
Lei	21.8	34.7	19.4	37.1	28.8	94.7	25.7	82.0	34.9	97.1	50.6	96.1	33.5	100.0	64.3	98.0
Inf	95.9	12.2	85.7	89.8	77.6	91.8	81.6	89.8	87.8	93.9	98.0	89.8	83.7	98.0	95.9	83.7
Lab	40.8	91.8	53.1	79.6	51.0	100.0	79.6	91.8	51.0	100.0	87.8	93.9	57.1	95.9	98.0	95.9
Walk	55.1	73.5	63.3	71.4	67.3	77.6	63.3	77.6	65.3	69.4	65.3	67.3	67.3	67.3	65.3	73.5
Fast	14.3	36.7	22.4	44.9	26.5	93.9	36.7	73.5	36.7	98.0	51.0	95.9	49.0	100.0	61.2	95.9
平均值	41.8	47.3	43.9	60.3	46.0	92.4	53.9	82.2	51.1	92.9	66.9	90.2	53.8	93.3	75.5	90.9
检测方法	Tech-pgp数据集上的异化率
	5%预算				10%预算				15%预算				20%预算
	MBA	nDec	CH-SNMF	BPMNH	MBA	nDec	CH-SNMF	BPMNH	MBA	nDec	CH-SNMF	BPMNH	MBA	nDec	CH-SNMF	BPMNH
Lou	4.9	10.2	6.2	13.6	6.6	17.4	7.4	26.8	6.3	38.5	7.0	50.7	7.5	92.3	8.3	76.6
Lei	2.6	14.7	4.2	16.2	2.9	15.5	4.3	32.0	4.8	54.3	7.7	68.2	4.9	92.3	8.9	85.5
Inf	12.3	54.7	2.8	29.2	12.3	17.0	5.7	36.8	48.1	27.4	7.5	71.7	56.6	27.4	47.2	71.7
Lab	1.9	36.8	17.0	31.1	17.0	44.3	13.2	53.8	12.3	80.2	46.2	85.8	12.3	99.1	50.0	79.2
Walk	36.8	3.8	16.0	32.1	20.8	18.9	20.8	35.8	42.5	29.2	40.6	66.0	43.4	97.2	49.1	68.9
Fast	2.8	17.9	2.8	17.0	15.1	52.8	18.9	42.5	13.2	25.5	17.9	48.1	13.2	88.7	41.5	50.0
平均值	10.2	23.0	8.2	23.2	12.4	27.6	11.7	37.9	21.2	42.5	21.2	65.1	23	82.8	34.1	72.0
检测方法	Oregon-1数据集上的异化率
	5%预算				10%预算				15%预算				20%预算
	MBA	nDec	CH-SNMF	BPMNH	MBA	nDec	CH-SNMF	BPMNH	MBA	nDec	CH-SNMF	BPMNH	MBA	nDec	CH-SNMF	BPMNH
Lou	17.0	19.3	17.7	26.8	23.2	28.3	24.3	45.8	27.8	33.0	28.9	52.2	34.2	41.3	33.4	57.4
Lei	13.2	15.3	15.1	28.7	24.9	34.0	24.5	44.7	29.8	36.6	30.4	47.4	35.3	39.4	35.5	58.6
Inf	12.3	15.1	17.0	20.8	55.7	12.3	55.7	54.7	84.0	14.2	55.7	55.7	84.0	17.0	86.8	54.7
Lab	13.2	12.3	12.3	25.5	19.8	19.8	19.8	37.7	27.4	31.1	27.4	44.3	50.0	37.7	47.2	49.1
Walk	11.3	56.6	13.2	16.0	17.0	29.2	21.7	31.1	22.6	42.5	31.1	69.8	28.3	41.5	29.2	55.7
Fast	48.1	25.5	18.9	56.6	21.7	52.8	26.4	51.9	22.6	55.7	50.0	59.4	37.7	56.6	51.9	62.3
平均值	19.2	24.0	15.7	29.1	27.0	29.4	28.7	44.3	35.7	35.5	37.2	54.8	44.9	38.9	47.3	56.3

基于持久性的多目标节点隐藏方法

Multi-target node hiding method based on permanence

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 13

参考文献 45

相关文章 15

编辑推荐

Metrics

[1]	张博瀚, 吕乐, 荆军昌, 刘栋. 基于遗传算法的属性网络社区隐藏方法[J]. 《计算机应用》唯一官方网站, 2025, 45(9): 2817-2826.
[2]	胡林波, 倪志伟, 程家乐, 刘文涛, 朱旭辉. 融合社区检测的协作众包任务分配方法[J]. 《计算机应用》唯一官方网站, 2025, 45(2): 534-545.
[3]	王中钰, 钱晓东. 基于改进期望最大化算法的供应链网络边连接规则优化[J]. 《计算机应用》唯一官方网站, 2024, 44(11): 3386-3395.
[4]	黄杰, 武瑞梓, 李均利. 高效的自适应复杂网络鲁棒性优化算法[J]. 《计算机应用》唯一官方网站, 2024, 44(11): 3530-3539.
[5]	刘世梁, 王义, 马应龙. 考虑社区规模不平衡的非重叠社区检测[J]. 《计算机应用》唯一官方网站, 2024, 44(11): 3396-3402.
[6]	周琳, 肖玉芝, 刘鹏, 秦有鹏. 基于节点多关系的社团挖掘算法及其应用[J]. 《计算机应用》唯一官方网站, 2023, 43(5): 1489-1496.
[7]	李鹏, 王世林, 陈光武, 闫光辉. 基于改进的局部结构熵复杂网络重要节点挖掘[J]. 《计算机应用》唯一官方网站, 2023, 43(4): 1109-1114.
[8]	温祥西, 彭娅婷, 毕可心, 衡宇铭, 吴明功. 基于最优样本集在线模糊最小二乘支持向量机的飞行冲突网络态势预测[J]. 《计算机应用》唯一官方网站, 2023, 43(11): 3632-3640.
[9]	李占利, 李颖, 罗香玉, 罗颖骁. 基于Monte-Carlo迭代求解策略的局部社区发现算法[J]. 《计算机应用》唯一官方网站, 2023, 43(1): 104-110.
[10]	孟昱煜, 郭静. 信息熵改进主成分分析模型的链路预测算法[J]. 《计算机应用》唯一官方网站, 2022, 42(9): 2823-2829.
[11]	郝志刚, 秦丽. 基于多属性综合评价的食品安全标准引用网络重要节点发现方法[J]. 《计算机应用》唯一官方网站, 2022, 42(4): 1178-1185.
[12]	胡军, 许正康, 刘立, 钟福金. 融合多粒度社区信息的网络嵌入方法[J]. 《计算机应用》唯一官方网站, 2022, 42(3): 663-670.
[13]	陈广福, 王海波, 连雁平. 基于高阶自包含协同过滤的有向网络链路预测[J]. 《计算机应用》唯一官方网站, 2022, 42(10): 3060-3068.
[14]	蔡彪, 李蕊岑, 吴媛媛. 相似性特征对链路预测的影响与增强[J]. 计算机应用, 2021, 41(9): 2569-2577.
[15]	李亚芳, 梁烨, 冯韦玮, 祖宝开, 康玉健. 基于社区优化的深度网络嵌入方法[J]. 计算机应用, 2021, 41(7): 1956-1963.