基于差分隱私的K-means聚類分析.pdf

1、數(shù)據(jù)挖掘能夠發(fā)現(xiàn)隱藏在海量數(shù)據(jù)背后的潛在模式以及規(guī)則，有利于我們更好的作出決策，被廣泛應用于商業(yè)、科學研究以及醫(yī)學研究等領(lǐng)域，但是如果對數(shù)據(jù)挖掘利用不當，可能會對隱私和信息安全構(gòu)成威脅，因此如何將隱私保護技術(shù)與數(shù)據(jù)挖掘結(jié)合，實現(xiàn)保證隱私安全前提下的數(shù)據(jù)挖掘成為數(shù)據(jù)挖掘領(lǐng)域的研究熱點之一。
　　早期的隱私保護模型如K-匿名及其擴展模型，通常需要假設可能的攻擊模型，一旦出現(xiàn)新型攻擊，必須不斷改進自身模型，而且無法對隱私保護水平進行量化

2、分析，因此Dwork提出了的差分隱私隱私保護模型。差分隱私保護模型定義了一種更為嚴格的最大背景知識作為它的攻擊模型，以堅實的數(shù)學理論為支撐，能夠通過參數(shù)ε量化隱私保護水平，彌補了傳統(tǒng)隱私保護的不足，且其添加的噪聲量大小與數(shù)據(jù)集無關(guān)，因此非常適合海量數(shù)據(jù)挖掘中的隱私保護。
　　傳統(tǒng)差分隱私保護K-means算法，對其初始中心點的選擇較為敏感，而且在聚簇個數(shù)七值的選擇上存在一定的盲目性，降低了聚類結(jié)果的可用性。因此，本文在差分隱私保護

3、K-means中引入Canopy算法，提出了融合Canopy的差分隱私保護K-Means算法，即DP Canopy K-means算法。DP Canopy K-means算法能有效避免七值盲目性和初始點敏感性，并且能減少其迭代次數(shù)，提高聚類結(jié)果的可用性，能夠應用于數(shù)據(jù)挖掘中對原始數(shù)據(jù)隱私保護和聚類結(jié)果可用性有要求的場景中。
　　PINQ是最早為敏感數(shù)據(jù)查詢提供差分隱私保護的原型系統(tǒng)，本文基于PINQ平臺實現(xiàn)了DP Canopy K

4、-means算法和IDP K-means算法，并且比較這兩種算法在Magic和Blood數(shù)據(jù)集上運行的聚類結(jié)果可用性。實驗結(jié)果表明，在同樣的隱私保護水平下，DP Canopy K-means算法的聚類結(jié)果在準確性上優(yōu)于IDP K-means算法，在收斂速度上DP Canopy K-means算法高于傳統(tǒng)DP K-means算法。
　　為了驗證算法在實際應用中的有效性，論文以組推薦系統(tǒng)為應用場景，分析了組推薦系統(tǒng)中的隱私泄露問題，通