差分隐私是目前为敏感数据分析提供隐私保护的重要方法之一，在数学上具有严格的定义，而且可以通过隐私预算参数ε衡量保护程度，其已成为稳私保护方法的公认标准。本书首先将差分隐私应用到社会网络隐私保护中，从离线数据的角度分析问题，以非交互式的方式发布结果数据，面向实际的发布需求、数据特性，以及关于隐私问题的不同方面开展研究。同时，面向支持向量机分类模型存在的隐私泄露问题，考虑已有的隐私支持向量机方法存在的不足，针对支持向量机隐私泄露问题的不同方面，笔者运用不同的差分隐私实现机制提出了相应的隐私保护方法。

第1章 绪论
1.1 本书研究背景和意义
1.2 基础知识
1.3 国内外研究现状
1.4 研究内容
第2章 面向预测推荐服务的差分隐私保护方法
2.1 引言
2.2 协同过滤
2.3 预测评级的扰动方法
2.4 仿真实验
2.5 本章小结
第3章 面向权重图数据发布的差分隐私保护方法
3.1 引言
3.2 权重图表示
3.3 计数查询序列
3.4 边权重的扰动策略
3.5 仿真实验
3.6 本章小结
第4章 面向网络信息统计的边-差分隐私保护方法
4.1 引言
4.2 边-差分隐私
4.3 Louvain方法
4.4 基于社区划分的聚集系数发布方法
4.5 仿真实验
4.6 本章小结
第5章 面向网络图重构的边-差分隐私保护方法
5.1 引言
5.2 wPINQ平台
5.3 dK-图模型
5.4 图重构的改进方法
5.5 仿真实验
5.6 本章小结
第6章 面向核支持向量机的差分隐私混合机制保护方法
6.1 引言
6.2 基于指数机制和拉普拉斯机制的差分隐私混合机制保护方法
6.3 仿真实验
6.4 本章小结
第7章 面向线性支持向量机的差分隐私工作集选择方法
7.1 引言
7.2 基于指数机制的差分隐私工作集选择方法
7.3 仿真实验
7.4 本章小结
参考文献