基于边缘计算中隐私保护的混合过滤推荐系统

摘要

在互联网上设计一个安全的推荐系统具有挑战性，该系统应能在尽可能减少隐私泄露的情况下帮助用户选择其喜爱的产品。本文提出了一种基于边缘计算中隐私保护的混合过滤推荐系统（HFRS‐PP），该系统可利用边缘计算的优势，在计算过程中防止用户隐私信息泄露，并确保查询结果的实时性、准确性和稳定性。特别地，我们提出了一种隐私保护推荐算法，通过混合过滤为终端用户提供所需结果。给出了过滤‐粗糙集理论算法，用于从垃圾评论中区分出有效评论，以进行下一轮过滤。

关键词

隐私保护；边缘计算；推荐系统；粗糙集理论

1. 引言

随着经济的发展，人们的消费水平不断提高。用户在网站上搜索信息时，一些个人敏感信息可能会被泄露，犯罪分子将利用这些信息。隐私保护领域的学者们从不同角度对数据进行处理以实现目标。傅等人 [1] 提出，在传输过程中通过加密手段可以防止隐私信息被他人攻击。然而，许多加密算法已被黑客攻破，因此加密算法无法完全保证个人信息的安全。因此，如何在查询过程中保护个人信息安全是当今面临的一项严峻挑战[2, 3, 4, 5, 6, 7]。

网络的快速发展是一把双刃剑，它为用户提供了良好的移动社交平台，但同时也带来了严重的隐私泄露问题[8, 9, 10, 11]。在过去几年中，有关云计算和雾计算的研究已广泛开展，而其中的隐私保护问题也日益受到关注（例如，[12, 13]）。在个性化推荐中，用户的隐私引起了越来越多的关注[14]。不同的隐私保护模型被提出[15, 16]。一些研究（例如，[17, 18]）对粗糙集理论进行了深入探讨，能够有效地从大量信息中进行筛选并减少数据库规模。

本文提出了一种基于边缘计算中隐私保护的混合过滤推荐系统（HFRS‐PP）。HFRS‐PP 模型不仅满足用户对结果隐私性和准确性的需求，还改善了网络负载和延迟。

2. 系统模型

系统模型由一个不可信的云服务器端、多个可信的边缘服务器端和多个可信的客户端组成。在威胁模型中，我们假设攻击者可能作为云服务器被黑客入侵，或者可能是云服务公司中没有专业工作人员控制的云服务器。

3. 隐私保护推荐算法

假设某个商家在购物网站上的评论构成集合 A，我们记为：A = {x₁, x₂, x₃, …, x_N}，每条评论可根据其是否具有商品名称属性（F₁）进行分类。根据是否具有属性 F₁，可将 N 条评论划分为 A₁ = {1, 0}。则所有包含属性 F₁ 的评论构成集合 F₁₁ = {x₁, x₂, …, x_{N−5}}，不包含属性 F₁ 的评论构成集合 F₁₀ = {x₃, x₄, …, x_N}。

算法1：过滤‐粗糙集理论算法

输入 ：T，待检测的评论文档；F，属性词典；R，待检的评论文档。
输出 ：待测评论的分类结果。

1. 对于每个 Tᵢ ∈ T 执行
2. 设置 Pᵢ = ∅
3. 结束 for
4. 对于 j = 0 到 3 执行
5. 如果 Tᵢ[j] 包含 Fᵢ[j] 的属性，则
6. Pᵢ[j] = 1
7. else
8. Pᵢ[j] = 0
9. 结束 if
10. 结束 for
11. 对于 j = 3 到 6 执行
12. 如果 Tᵢ[j] < 0.5 成立，则
13. Pᵢ[j] = 1
14. else
15. Pᵢ[j] = 0
16. 结束 if
17. 结束 for
18. 根据被审查评论的分类，从 R 中选择有效评论集 R∗
19. 绘制包含所有真实属性的评论组成的 R∗_d 集合
20. 绘制包含属性 Tᵢ 所拥有的真实属性的评论组成的 R∗_u 集合
21. 绘制点 Tᵢ
22. 返回位于上近似集和下近似集之间的评论集合

4. 结论

本文提出了一种原创模型，称为HFRS‐PP，以实现推荐系统中的隐私保护和高效性。我们引入了边缘计算设备，使个人数据在数据源附近进行处理，从而防止隐私泄露，保障隐私安全。提出了基于边缘计算中隐私保护的混合过滤推荐系统，该系统结合了混合过滤和粗糙集理论算法。该系统能够减轻带宽的工作负载，提高生产率，并提升客户的满意度。