【已取得的相关研究基础】本人近期依托“国家自然科学基金”和“国家重点研发计划”项目，开展了“边缘计算数据隐私与安全防护”方面理论与技术研究，搭建了基于NVIDIA Jetson TX2的边缘计算平台，探索图数据、时序数据相关智能算法的安全性。具体成果包括：
1）基于对抗攻击分析链路预测算法的鲁棒性。相关论文列表如下：
[1] Tao Wu (#)(*), Guannan Ming, Xingping Xian, Wei Wang, Shaojie Qiao, Guangxia Xu. Structural Predictability Optimization Against Inference Attacks in Data Publishing. IEEE Access, vol. 7, pp. 92119-92136, 2019 (SCI, Impact Factor: 4.07).
摘要：本文研究网络链路推理算法的鲁棒性问题。通过网络数据分析，提出了基于随机行走对抗样本生成方法。根据黑盒攻击的思想，此方法通过随机行走对网络链路进行评分，从而选择、扰动具有代表性的网络链路，从而生成与具体链路推理方法无关的对抗网络。通过在多个代表性链路推理算法上的实验表明，本文提出的对抗攻击方法性能良好，不依赖关于链路推理算法的先验知识。此研究揭示了当前链路推理算法的脆弱性，也为后续设计鲁棒性的网络链路推理算法提供了指导。
[2] Xingping Xian, Tao Wu(*), Wei Wang, Chao Wang, Yonggang Xiao, Yanbing Liu, Guangxia Xu. Towards Link Inference Attack Against Network Structure Perturbation. Knowledge-Based Systems, 2019 (In Review).
摘要：为了保护网络数据中的敏感关系、防御推理攻击，许多网络结构扰动方法被提出。然而，面向基于链路预测的推理攻击，存在的网络结构扰动方法的鲁棒性仍没有被充分研究。本文首先概述了代表性的网络结构扰动及链路预测方法。其次，本文提出基于多层线性编码的链路预测方法MLLC。本文基于实证分析探索了网络结构扰动方法的脆弱性。与传统链路预测方法相比，MLLC能够有效推理隐含的敏感关系，证明了强化网络结构扰动方法鲁棒程度的必要性。
[3] Xingping Xian, Tao Wu(*), Shaojie Qiao, Xi-Zhao Wang, Wei Wang, Yanbing Liu. NetLRC: Link Predictability Measuring and Regulating. Knowledge-Based Systems, 2019 (In Review).
摘要：基于低秩稀疏理论进行网络建模，探索网络数据的内在规律性，并提出网络可预测性度量。同时，提出面向链路预测的链路重要性度量方法。基于此度量，生成对抗网络。在代表性链路预测算法上的实验表明，此对抗网络生成方法能够有效降低链路预测方法的性能。同时，实验证明此方法具有良好的迁移性。
[4] Xingping Xian, Tao Wu(*), Shaojie Qiao, Wei Wang, Shui Yu, Yanbing Liu. Deep Ensemble Coding: Adversarial Attacks against Network Prediction Models. Neurocomputing, 2020 (In Review).
摘要：近年来的研究揭示了机器学习算法对于对抗样本的脆弱性，引起了计算机视觉、文本挖掘等领域对于机器学习安全问题的研究。然而，对具有广泛应用前景的链路预测算法的安全问题没有充分关注。本文研究网络链路预测算法的对抗攻击问题，提出基于深度集成编码的链路预测对抗攻击算法DEC。实验表明，此对抗攻击算法能够明显抑制链路预测算法的性能。基于此方法，可以评价链路预测算法的鲁棒性。
2）研究边缘计算时序数据预测算法的鲁棒性。相关论文列表如下：
[1] 王雪纯，吴涛. 智能电网中边缘终端数据隐私保护方法【J】, 南方电网技术, 2019.
摘要：本文研究时序数据预测算法的对抗攻击问题，提出了一个基于相似性度量的扰动攻击方法。实验结果表明，此方法能够在可接受的攻击代价下有效降低对于时序数据预测的准确性。本文基于以上成果，提出了电网领域用电信息的隐私保护方案。
============================================================
通过近年来的研究与积累，发表论文20余篇，形成图挖掘（复杂网络）、数据隐私保护以及智能安全共三个研究方向。
1）图挖掘（复杂网络）：随着社交媒体以及智慧城市等相关应用的普及与发展，海量的网络数据对传统数据挖掘技术提出了新的挑战。本人关注网络数据分析领域的基础科学问题，包括社团检测[1]、节点排序[2] [3]、链路预测[4] [5]、信息传播问题[6-10]。基于图进行网络数据建模，希望通过对以上相关问题的研究，为网络数据这种新型数据的分析与利用提供技术支撑；
[1] Tao Wu (#)(*), Yuxiao Guo, Leiting Chen and Yanbing Liu. Integrated structure investigation in complex networks by label propagation[J]. Physica A, 2016,448:68-80 (SCI, Impact Factor: 2.132).
[2] Tao Wu (#)(*), Leiting Chen, Linfeng Zhong, Xingping Xian. Enhanced collective influence: A paradigm to optimize network disruption[J]. Physica A, 2017, 472:43-52 (SCI, Impact Factor: 2.132).
[3] Tao Wu (#)(*), Xingping Xian, Linfeng Zhong, Xi Xiong, H. Eugene Stanley. Power iteration ranking via hybrid diffusion for vital nodes identification[J]. Physica A, 2018, 506:802-815 (SCI, Impact Factor: 2.243 ).
[4] Xing Chen, Tao Wu(*), Xingping Xian, Chao Wang, Ye Yuan, Guannan Ming. Enhancing robustness of link prediction for noisy complex networks, Physica A, 2019 (In Review).
[5] Tao Wu (#)(*), Leiting Chen, Linfeng Zhong, Xingping Xian. Predicting the evolution of complex networks via similarity dynamics[J]. Physica A, 2017,465:662-672 (SCI, Impact Factor: 2.132).
[6] Tao Wu (#)(*), Leiting Chen, Xingping Xian, Yuxiao Guo. Evolution prediction of multi-scale information diffusion dynamics[J]. Knowledge-Based Systems, 2016,113:186-198 (SCI, Impact Factor: 4.396 ).
[7] Wei Wang, Yuanhui Ma, Tao Wu, Yang Dai, Xingshu Chen, and Lidia A. Braunstein. Containing misinformation spreading in temporal social networks. Chaos, 2019, 29:123131. https://doi.org/10.1063/1.5114853.
[8] Shuai Zhang, Wei Wang, Tao Wu, and Tao Lin, Phase transition of a generalized contact process on complex Networks. Physica A, 2019, 534:122218.
[9] Shuang Zhang, Tao Wu, Wei Wang, and Tao Lin. Irreversible contact process on complex networks with dynamical recovery probability, Physica A, 527, 121336, 2019 (SCI, Impact Factor: 2.500).
[10] 熊熙, 乔少杰, 吴涛, 吴越, 韩楠, 张海清. 基于时空特征的社交网络情绪传播分析与预测模型[J]. 自动化学报, 2018, 44(12).
2）数据隐私保护: 在大数据时代，数据带来了巨大价值的同时,也带来了用户隐私保护方面的难题，如何在数据开发应用的过程中保护用户隐私和防止敏感信息泄露成为新的挑战。本人依托“国家自然科学基金”项目，在传统表格类数据k-anonimity、l-diversity 、t-closeness和ε-differential privacy等方法的基础上，研究图数据的隐私保护问题，特别关注敏感关系的隐私保护，包括敏感关系推理[11]、网络可预测性度量[12]、抗推理攻击的结构调控与隐私保护[13] [14]；
[11] Xingping Xian, Tao Wu(*), Shaojie Qiao, Wei Wang, Yanbing Liu, Nan Han. Multi-View Low-Rank Coding based Structural De-anonymization for Privacy Preserving. IEEE Access, 2019 (In Review).
[12] Xingping Xian, Tao Wu(*), Wei Wang, Chao Wang, Yonggang Xiao, Yanbing Liu, Guangxia Xu. Towards Link Inference Attack Against Network Structure Perturbation. Knowledge-Based Systems, 2019 (In Review).
[13] Tao Wu (#)(*), Guannan Ming, Xingping Xian, Wei Wang, Shaojie Qiao, Guangxia Xu. Structural Predictability Optimization Against Inference Attacks in Data Publishing. IEEE Access, vol. 7, pp. 92119-92136, 2019 (SCI, Impact Factor: 4.07).
[14] Xingping Xian, Tao Wu(*), Shaojie Qiao, Xi-Zhao Wang, Wei Wang, Yanbing Liu. NetLRC: Link Predictability Measuring and Regulating. Knowledge-Based Systems, 2019 (In Review).
3）智能安全: 伴随着社会智能化程度的提升，电力、交通、医疗等基础设施领域越来越依赖于智能应用系统。然而，当前研究领域对于智能算法的鲁棒性、安全性及可解释性问题尚未获得成熟认知，相关智能应用存在安全风险。本人依托“国家重点研发计划”项目，关注“电力系统边缘计算的安全防护技术”，搭建边缘计算环境，研究电力系统智能算法对抗攻击[15][16]、异常检测、可搜索加密等问题。
[15] Xingping Xian, Tao Wu(*), Shaojie Qiao, Wei Wang, Yanbing Liu. Deep Ensemble Coding: Adversarial Attacks against Network Prediction Models. Neurocomputing, 2019 (In Review).
[16] 王雪纯，吴涛. 智能电网中边缘终端数据隐私保护方法【J】, 南方电网技术, 2019.