數(shù)據(jù)共享中隱私保護方法研究.pdf

1、隨著計算機技術的快速增長，以數(shù)字形式提供的關于個體信息的數(shù)量激增。信息的方便獲取對多數(shù)人來說，生活變得更加便捷了。例如，社會網(wǎng)絡使得我們隨時與朋友取得聯(lián)系，搜索引擎使我們動幾下鼠標就可以獲取信息財富。然而，大多數(shù)有價值的數(shù)據(jù)都是私有的，人們在享受信息帶來的便利的同時也承受著數(shù)字信息帶給個體的相當大的風險——隱私泄露。各種數(shù)據(jù)使用的渴望和保護數(shù)據(jù)的安全和隱私之間存在著一個長期的緊張關系，這就引發(fā)了數(shù)據(jù)共享過程中的隱私保護研究。其主要目標是

2、設計相關的應用模型或者工具，使共享數(shù)據(jù)在敵對環(huán)境下仍然能夠有效保護個體的隱私信息，并且數(shù)據(jù)的效用沒有太大損失，從而達到隱私保護與數(shù)據(jù)可用性之間的平衡。最大化數(shù)據(jù)的收集與使用，同時阻止敏感和機密信息的泄露是統(tǒng)計科學和計算機科學長期以來的研究主題。
　　本文圍繞數(shù)據(jù)共享中的隱私保護問題進行研究，開發(fā)解決該問題的算法，主要在以下幾個方面開展研究工作：
　　首先，針對k-匿名模型在一定程度上有效地阻止了鏈接攻擊，但是不能阻止同質(zhì)攻擊

3、和背景知識攻擊的缺陷。另外，由于大多數(shù)隱私保護數(shù)據(jù)發(fā)布模型采用概化和抑制技術，導致過多的信息損失。因此，本文提出一種增強型p-敏感k-匿名的算法。具體過程為：首先，用近鄰法對數(shù)據(jù)進行劃分，生成簇。其次，發(fā)布滿足p-敏感k-匿名要求的每個簇。文中對算法的正確性和復雜性進行了詳細分析，用信息損失和執(zhí)行時間來檢驗算法的效果，并對實驗結果進行了分析。初步的仿真實驗結果表明：基于最近鄰搜索的p-敏感k-匿名的增強型隱私保護算法不僅能產(chǎn)生更小的信息

4、損失和合理的時間代價，同時匿名化數(shù)據(jù)也具有良好的實用性。
　　其次，傳統(tǒng)l-多樣性匿名實現(xiàn)方法或者效率較低，或者信息損失較大，針對這種不足，提出一種改進的基于聚類的l-多樣性算法。該算法首先計算準標識符集合中各屬性的方差，其次根據(jù)方差確定不同屬性在數(shù)據(jù)相似性計算中的權重，再次根據(jù)數(shù)據(jù)之間的相似性進行約束聚類，最后對同一簇數(shù)據(jù)進行數(shù)據(jù)概化，滿足l-多樣性要求，并從理論上對算法的正確性和復雜性進行了分析。仿真實驗結果表明：改進的基于聚

5、類的l-多樣性算法可以在實現(xiàn)隱私保護的同時具有更小的數(shù)據(jù)信息損失和較快的運行效率。
　　再次，針對大規(guī)模數(shù)據(jù)集上的模式分類任務，提出一種基于核密度估計的模式分類隱私保護算法（CPPPW）。該算法首先利用Parzen窗算法對原始大規(guī)模訓練集服從的概率密度進行估計，然后根據(jù)估計的概率密度函數(shù)構造la個替換訓練樣本，其中l(wèi)為原始樣本的數(shù)目，a通過10折交叉驗證方式確定。充足的訓練樣本使得核密度估計算法可以較準確的估計密度函數(shù)，保障了替換

6、數(shù)據(jù)集的質(zhì)量。對CPPPW算法與ASN算法隱私保護性能進行理論分析，分析表明CPPPW算法具有更強的隱私保護力度。最后通過兩組不同的仿真實驗表明：三種經(jīng)典的分類算法在替換數(shù)據(jù)集上取得了相當?shù)姆诸惥?；同時在替換數(shù)據(jù)集上進行分類學習，有效的避免了原始數(shù)據(jù)上的隱私泄露；與ASN算法相比，CPPPW算法不僅具有隱私保護性能，而且分類準確率和召回率均較高，具有更好的模式分類精度。
　　最后，模式分類過程涉及到對原始訓練樣本的學習，容易導致

7、用戶隱私的泄露。為了避免模式分類過程中的隱私泄露，同時又不影響模式分類算法的性能，提出一種基于主成分分析（PCA）的稀疏數(shù)據(jù)模式分類隱私保護算法（CPPPCA）。該算法利用 PCA提取原始訓練數(shù)據(jù)的主成分，并將原始訓練樣本集合轉化為主成分的新樣本集合，然后利用新樣本集合進行分類學習。對CPPPCA算法與ASN算法隱私保護性能進行理論分析，分析表明CPPPCA算法具有更強的隱私保護力度。最后通過兩組不同的仿真實驗表明：由于PCA在一定程度