博士以来的研究工作主要集中在加密图上的匹配查询方面,把最近看的一些文章分享给大家,希望能有所帮助
Privacy-Preserving Query over Encrypted Graph-Structured Data in Cloud Computing
这是最早的一篇加密图上的匹配查询方案,用的是KNN方法来保护图数据隐私性,通过计算内积来衡量数据图是否包含查询图中的所有特征
因为我硕士阶段是研究可搜索加密(Searchable Encryption)的,对knn比较熟悉,而且该篇的总体思路是和search一致的,文章的作者也有过search 方面的文章
文章采用了图匹配方案中普遍用到的特征提取方法来对数据图提取频繁子图(特征),每个频繁特征都使用一个unique canonical label表示,该label可用DFS code 来表示,一个code表示唯一一个图,相同图的code相同
然后以构建倒排索引的方式,对每个数据图生成一个向量,若数据图包含某个特征,则在相应位上置下列密钥ρ中的相应位,否则则置一个随机数
为了增强安全性,对每个向量增加一位,并分割,用两个矩阵进行盲化
对查询图采用相同的方式生成查询向量,所以该方案要求用户将频繁特征的唯一编码保留在本地,才可对查询图生成陷门
查询时,若查询向量与数据图向量的内积等于则认为该数据图包含了查询图中的所有特征,具体为什么这个数值呢,因为查询图中的非特征相应位上为0,与数据图相应位的内积也是0,只需看查询图中特征位上的数值与数据图的乘积就好了,文章也有解释
内积的推导过程
文章的优势:首次提出加密图上的图匹配查询,保护了图数据隐私性的前提下实现了图匹配查询,利用knn思想是的匹配查询过程不用执行子图同构操作
劣势:首先,用户端需保存大量频繁图的编码;其次,需对每个数据图向量进行内积计算,数据库很大的时候,逐一遍历会需要很大时间开销