集值數(shù)據(jù)發(fā)布中的自適應匿名方法研究.pdf

1、網(wǎng)絡信息技術的迅猛發(fā)展和電子商務的崛起使得各行各業(yè)收集和存儲了海量的數(shù)據(jù)資源。而集值數(shù)據(jù)作為信息資源中的一種主要數(shù)據(jù)類型，它是一系列元素的集合并與單個個體相關聯(lián)。常見的有web日志信息、網(wǎng)購記錄或者商場購物數(shù)據(jù)等。由于數(shù)據(jù)分析需求，不同機構、部門或企業(yè)之間會進行數(shù)據(jù)共享，將這些數(shù)據(jù)提供給數(shù)據(jù)研究者進行科學分析，從海量的數(shù)據(jù)中發(fā)掘出潛在的、有價值的知識。例如，數(shù)據(jù)挖掘者通過對客戶消費記錄數(shù)據(jù)的分析，能夠很容易地挖掘出一些關聯(lián)規(guī)則，探測出客

2、戶某些行為模式等，然后給客戶提供更好的服務。但是這些數(shù)據(jù)中往往包含著個體的隱私信息，直接發(fā)布它們會造成用戶的隱私泄露，給人們的生活帶來巨大的困擾，在這些數(shù)據(jù)發(fā)布之前，對之進行匿名處理是十分必要的。集值數(shù)據(jù)稀疏、高維度、海量的特點決定了數(shù)據(jù)匿名的難度，雖然集值數(shù)據(jù)的匿名研究受到了學術界的廣泛關注并取得了一定的研究成果，但是大多的思想都是借鑒于傳統(tǒng)的關系型數(shù)據(jù)發(fā)布策略。集值數(shù)據(jù)的這些特點使得直接使用現(xiàn)有的匿名技術，如k-匿名和差分隱私等，導

3、致巨大的信息損失。
　　為了在保護個體隱私的同時，提高數(shù)據(jù)的實用性。本文深入地研究了關系數(shù)據(jù)與集值數(shù)據(jù)的現(xiàn)有匿名技術，并將其進行了對比，找出了集值數(shù)據(jù)匿名發(fā)布過程中的依然存在的不足。針對這些不足，本文提出了一種基于數(shù)據(jù)自身分布的敏感度自適應隱私保護模型，并通過部分抑制策略進行匿名處理。
　　首先，本文分析了集值數(shù)據(jù)與關系型數(shù)據(jù)各自的特征，詳細介紹了攻擊者常采用的攻擊模型，包括背景知識攻擊、鏈接攻擊、同質(zhì)攻擊和偏態(tài)攻擊。針對這

4、些攻擊模型，對通常采用分組的k-匿名系列模型、針對統(tǒng)計添加噪聲的差分隱私模型和基于關聯(lián)規(guī)則的ρ-不確定性模型等進行了闡述。k-匿名系列模型在數(shù)據(jù)處理的過程中對分組的大小有著嚴格的下限要求，分組大小不得小于k，缺少了分組的靈活性;差分隱私模型無視攻擊者背景知識，強調(diào)單個個體對整個數(shù)據(jù)集的影響不大，數(shù)據(jù)的隱私程度可以完全由發(fā)布者來控制，是一種比較強的隱私模型，更多的應用于統(tǒng)計結果的噪聲添加;ρ-不確定性模型相比k-匿名更為靈活，對分組大小沒

5、有限制。然而，這些隱私模型都沒有考慮數(shù)據(jù)本身的分布情況，若對數(shù)據(jù)根據(jù)預設的條件進行隱私約束限制，將造成隱私的過度保護，帶來信息損失。
　　其次，針對集值數(shù)據(jù)發(fā)布存在的不足，本文綜合考慮敏感值概率分布和部分抑制策略，根據(jù)敏感值的分布情況自適應地生成該值對應的敏感度，然后引入了一個調(diào)諧因子對敏感度進行微調(diào)。獲取各個敏感值的敏感度之后，本文提出了一種基于敏感度自適應的SAPP-匿名模型。隨后，采取部分抑制的方法按照指定的敏感值抑制選擇策

6、略對數(shù)據(jù)進行匿名處理，直到滿足隱私約束條件。匿名處理方法采用頻繁項目集挖掘算法找出所有違反隱私的項目集模式，應用貪心策略按照頻繁項集長度升序地將頻繁項目集從違反集中刪除，然后將敏感值從包含該頻繁項目集的事務數(shù)據(jù)組中刪除，實現(xiàn)局部抑制，當違反集為空時，結束算法。
　　最后，本文使用真實的數(shù)據(jù)集對模型進行了實驗評估。為了提高效率和擴展性，采用分布式的Hadoop系統(tǒng)對SAPP模型進行了代碼實現(xiàn)，并通過Apriori啟發(fā)式挖掘算法進行頻