高維數(shù)據(jù)的非顯式隱私維度識(shí)別研究.pdf

1、數(shù)據(jù)的發(fā)布者往往擁有數(shù)據(jù)但不具備數(shù)據(jù)挖掘的能力。數(shù)據(jù)的分析者往往擁有數(shù)據(jù)挖掘的技術(shù)但苦于缺少數(shù)據(jù)。一些數(shù)據(jù)發(fā)布者擔(dān)心發(fā)布沒有采取任何保護(hù)措施的數(shù)據(jù)可能會(huì)導(dǎo)致隱私信息泄露。而采取了隱私保護(hù)的數(shù)據(jù)又可能對(duì)后期的數(shù)據(jù)挖掘過程產(chǎn)生不利的影響。
　　為了解決這個(gè)問題，學(xué)者們提出了一些隱私保護(hù)方法，包括k-anonymity、l-diversity、t-closeness等等。這些隱私保護(hù)方法在一定程度上對(duì)數(shù)據(jù)的隱私性取得了很好的保護(hù)效果，然

2、而這些傳統(tǒng)的隱私保護(hù)方法都是基于預(yù)先指定的非顯式隱私維度的隱私保護(hù)方法，并沒有研究如何自動(dòng)地選擇非顯式隱私維度。當(dāng)數(shù)據(jù)的維度數(shù)量變得很大的時(shí)候，通過人工的分析并指定對(duì)哪些屬性做保護(hù)是不現(xiàn)實(shí)的。這就迫切地需要一種自適應(yīng)地識(shí)別非顯式隱私維度的方法。
　　非顯式隱私維度往往在概率分布上與敏感屬性具有一定的相似性。而在進(jìn)行非顯式隱私維度查找方面往往會(huì)遇到組合爆炸（Combinatorial Explosion）問題。為了在查找過程中對(duì)查找

3、空間進(jìn)行約減，本文在概率分布相似性基礎(chǔ)上提出了兩個(gè)假設(shè)前提，并對(duì)其等價(jià)性進(jìn)行了證明?；谠摷僭O(shè)，本文提出了一種稱為IPFS（Implicit Privacy Feature Set）的算法，去發(fā)現(xiàn)所有可能導(dǎo)致屬性泄露（Attribute Disclosure）的非顯式隱私維度組合。這種維度組合被稱為完備非顯式隱私維度集合；此外，本文又提出了一種稱為KIPFS（Key Implicit Privacy Feature Set）的算法，在非