The increasing popularity and diversity of social media sites have resulted in an emergent number of available social networks. These social networks are now the source of information for third-party consumers, such as researchers and advertisers, to understand user social activities. In a privacy-preserving viewpoint, a full assessment of social relationships between individuals may violate privacy. Different network structure perturbation methods have been proposed to limit the disclosure of sensitive user data. However, despite the proliferation of these methods, currently, there are no robustness studies on the methods for link prediction-based hidden inference structure. In this study, we survey the state-of-the-art network structure perturbation methods for privacy-preservation and the classic link prediction methods for structure inference. To restore the perturbed network structure effectively, we propose a novel Multi-Layer Linear Coding-based link prediction method (MLLC) with a closed-form solution. Furthermore, we provide vulnerability analysis on network structure perturbation methods in the context of link prediction-based structure inference. We also compare the methods on the preservation of utility metrics for social network analysis, where a structure perturbation method is preferred if the metrics of the perturbed network are similar to those of the original network. Our experimental study indicates that the MLLC algorithm outperforms conventional methods for hidden structure inference, and that it is important to provide robustness to network structure perturbation methods against these attacks.

社交媒体网站的日益普及和多样性导致出现了许多可用的社交网络。这些社交网络现在成为第三方消费者（例如研究人员和广告商）了解用户社交活动的信息源。从保护隐私的角度来看，对个人之间的社会关系进行全面评估可能会侵犯隐私。已经提出了不同的网络结构扰动方法来限制敏感用户数据的公开。但是，尽管这些方法激增，但目前尚无基于链接预测的隐​​藏推理结构方法的鲁棒性研究。在这项研究中，我们调查了用于隐私保护的最新网络结构扰动方法和用于结构推断的经典链接预测方法。为了有效地恢复被扰动的网络结构，我们提出了一种基于多层线性编码的具有封闭形式解决方案的链路预测方法（MLLC）。此外，我们在基于链接预测的结构推断的背景下，对网络结构摄动方法进行了漏洞分析。我们还比较了保存用于社会网络分析的效用指标的方法，如果受干扰的网络的指标与原始网络的指标相似，则首选结构扰动方法。我们的实验研究表明，MLLC算法的性能优于传统的隐藏结构推断方法，因此，为网络结构摄动方法提供强大的鲁棒性以抵御这些攻击非常重要。我们提出一种新颖的基于线性编码的多层链接预测方法（MLLC），并采用封闭形式的解决方案。此外，我们在基于链接预测的结构推断的背景下，对网络结构摄动方法进行了漏洞分析。我们还比较了保存用于社会网络分析的效用指标的方法，如果受干扰的网络的指标与原始网络的指标相似，则首选结构扰动方法。我们的实验研究表明，MLLC算法的性能优于传统的隐藏结构推断方法，因此，为网络结构摄动方法提供强大的鲁棒性以抵御这些攻击非常重要。我们提出一种新颖的基于线性编码的多层链接预测方法（MLLC），并采用封闭形式的解决方案。此外，我们在基于链接预测的结构推断的背景下，对网络结构摄动方法进行了漏洞分析。我们还比较了保存用于社会网络分析的效用指标的方法，如果受干扰的网络的指标与原始网络的指标相似，则首选结构扰动方法。我们的实验研究表明，MLLC算法的性能优于传统的隐藏结构推断方法，因此，为网络结构摄动方法提供强大的鲁棒性以抵御这些攻击非常重要。我们在基于链接预测的结构推断的背景下，对网络结构摄动方法进行了漏洞分析。我们还比较了保存用于社会网络分析的效用指标的方法，如果受干扰的网络的指标与原始网络的指标相似，则首选结构扰动方法。我们的实验研究表明，MLLC算法的性能优于传统的隐藏结构推断方法，因此，为网络结构摄动方法提供强大的鲁棒性以抵御这些攻击非常重要。我们在基于链接预测的结构推断的背景下，对网络结构摄动方法进行了漏洞分析。我们还比较了保存用于社会网络分析的效用指标的方法，如果受干扰的网络的指标与原始网络的指标相似，则首选结构扰动方法。我们的实验研究表明，MLLC算法的性能优于传统的隐藏结构推断方法，因此，为网络结构摄动方法提供强大的鲁棒性以抵御这些攻击非常重要。如果被扰动网络的度量与原始网络的度量相似，则首选结构扰动方法。我们的实验研究表明，MLLC算法的性能优于传统的隐藏结构推断方法，因此，为网络结构摄动方法提供强大的鲁棒性以抵御这些攻击非常重要。如果被扰动网络的度量与原始网络的度量相似，则首选结构扰动方法。我们的实验研究表明，MLLC算法的性能优于传统的隐藏结构推断方法，因此，为网络结构摄动方法提供强大的鲁棒性以抵御这些攻击非常重要。