基于熵分类的个性化隐私匿名方法

发布时间：2020-06-23 16:46

【摘要】：针对传统(α,k)-匿名模型不能满足敏感属性值之间不同隐私保护程度个性化需求的问题,引入敏感属性值个性隐私敏感因子和个性隐私保护需求度的概念,进而形式化地定义了个性化(α,k)-匿名模型;同时,还提出了一种基于熵分类的个性化隐私匿名方法来实现个性化(α,k)-匿名模型。实验表明:该方法不仅能获得与现有(α,k)-匿名算法近似的信息损失度和时间代价,同时也满足了个性化服务的需求,获得更合理的隐私保护。
【图文】：

度也同样需要加强，从而引起数据集的信息损失度增大。图２是ｋ为６，数据集记录数｜Ｔ｜＝４５２２２时，３种算法随准标识符个数｜ＱＩ｜变化时的信息损失度比较，由图２可知：３种算法的信息损失度都会随着准标识符数｜ＱＩ｜的增多而增加，因为当准标识符数｜ＱＩ｜增多时，表明每个元组的需要泛化的属性个数增加了，显然会引起信息损失度增大。图３给出了准标识符个数｜ＱＩ｜＝８，ｋ为６时，各算法信息损失度随数据集记录数｜Ｔ｜变化的比较，从图图１｜ｋ｜值变化下各算法的信息损失度比较Ｆｉｇ．１Ｉｎｆｏｒｍａｔｉｏｎｌｏｓｓｃｏｍｐａｒｉｓｏｎｏｆｅａｃｈａｌｇｏｒｉｔｈｍｗｈｅｎｋｖａｒｉｅｓ图２不同｜ＱＩ｜值下各算法的信息损失度比较ｉｇ．２Ｉｎｆｏｒｍａｔｉｏｎｌｏｓｓｃｏｍｐａｒｉｓｏｎｏｆｅａｃｈａｌｇｏｒｉｔｈｍｗｉｔｈｄｉｆｆｅｒｅｎｔ｜ＱＩ｜３中可以看出，各算法在准标识符数｜ＱＩ｜和ｋ值不变的情况下，信息损失度都会随着数据集记录数｜Ｔ｜的增大而增加，因为当数据集记录数｜Ｔ｜增多时，需要泛化的元组数也要增多，从而引起数·１８３·

方法基础上，用信息损失度ＲＴＩＬ＝ＴＩＬ／｜Ｔ｜×１００％来进行分析比较。图１给出了当准标识符个数｜ＱＩ｜为８，数据集记录数｜Ｔ｜＝４５２２２时，各算法在ｋ值变化时信息损失度的比较，其中（α，ｋ）－匿名模型中的α值取０．４，以下的实验都为该值。由图１可知：３种算法的信息损失度都会随着ｋ值的增加而增加，因为当ｋ值增大时，表明等价类中的记录数也要求增多，使得对准标识符泛化的程度也同样需要加强，从而引起数据集的信息损失度增大。图２是ｋ为６，数据集记录数｜Ｔ｜＝４５２２２时，３种算法随准标识符个数｜ＱＩ｜变化时的信息损失度比较，由图２可知：３种算法的信息损失度都会随着准标识符数｜ＱＩ｜的增多而增加，因为当准标识符数｜ＱＩ｜增多时，表明每个元组的需要泛化的属性个数增加了，显然会引起信息损失度增大。图３给出了准标识符个数｜ＱＩ｜＝８，ｋ为６时，各算法信息损失度随数据集记录数｜Ｔ｜变化的比较，从图图１｜ｋ｜值变化下各算法的信息损失度比较Ｆｉｇ．１Ｉｎｆｏｒｍａｔｉｏｎｌｏｓｓｃｏｍｐａｒｉｓｏｎｏｆｅａｃｈａｌｇｏｒｉｔｈｍｗｈｅｎｋｖａｒｉｅｓ图２不同｜ＱＩ｜值下各算法的信息损失度比较ｉｇ．２Ｉｎｆｏｒｍａｔｉｏｎｌｏｓｓｃｏｍｐａｒｉｓｏｎｏｆｅａｃｈａｌｇｏｒｉｔｈｍｗｉｔｈｄｉｆｆｅｒｅｎｔ｜ＱＩ｜３中可以看出，各算法在准标识符数｜ＱＩ｜和ｋ值不变的情况下，信息损失度都会随着数据集记录数｜Ｔ｜的增大而增加，因为当数据集记录数｜Ｔ｜增多时，需要泛化的元组数也要增多，从而

【参考文献】

相关期刊论文 前1条

1 韩建民;于娟;虞慧群;贾l

本文编号：2727624