基于自适应ω-事件级差分隐私的实时数据隐私保护的研究

发布时间：2021-01-17 22:37

　　物联网、云计算以及移动互联网的深入发展,促使基于智能设备与应用的数据流量经历爆炸式增长。这些数据可通过以人为中心的网络应用以及基于设备的应用程序大量获取得到。随着数据挖掘、机器学习等技术的新一轮浪潮,人类可从这些海量原始数据中提取数据信息和挖掘数据关联性,获得对事物的新认知,从而提升人类的生产生活水平。然而,数据挖掘技术为人类带来便利的同时,也会引入许多安全隐患,首当其冲的就是隐私问题。鉴于人们对个人隐私的关注程度愈发高涨,数据隐私保护问题也成为研究热点。数据隐私保护已存在大量成果,研究者提出了诸多方法,其中基于传统加密算法的解决方案具有计算复杂度高,容易被破解的缺点。因此,有研究成果引入了差分隐私保护技术,解决数据隐私威胁问题。然而,典型的差分隐私保护技术仅考虑了数据精度,难以针对流式数据隐私保护方案进行整体的安全度量与评估。此外,当前的差分隐私解决方案在实用性和可用性方面仍需进一步提高。本文针对差分隐私保护在流式数据方面的应用进行研究。具体来讲,主要研究内容及创新点如下:1.针对于隐私保护的度量标准,定义了隐私质量的概念—QoP,该度量标准既考虑到统计数据的误差又考虑到隐私保护的窗... 

【文章来源】：北京交通大学北京市 211工程院校 教育部直属院校

【文章页数】：61 页

【学位级别】：硕士

【部分图文】：

实时数据发布的系统模型

首先介绍算法的整体框架，然后分别介绍算法的具体模块。??３．３．１算法整体架构??如图３－２所示，数据生产者源源不断地生产数据，服务器数据经过ＡＤＰ算法??处理以后发布出去，本文所提的ＡＤＰ算法主要分为三大部分，第一部分是红色虚??线框所示的基于Ｑ〇Ｐ?（Ｑｕａｌｉｔｙ?ｏｆ?Ｐｒｉｖａｃｙ）的自适应事件级差分隐私算法，在该部??分中，主要涉及最优抽样点算法、自适应抽样算法和自适应〇）－差分隐私算法；第二??部分是蓝色虚线框所表示的基于智能分组的扰动算法，该部分主要由预算分配算??法、智能分组算法和扰动机制组成；第三部分是滤波算法，本章采用类似于ＦＡＳＴ［７９］??的卡尔曼滤波算法来进一步减小数据的误差，该部分具体细节可以阅读文献Ｐ９］，??本章将不再赘述。??原始流数据?当前时戳??■???｜智能分组一＾?？扰动?”??ｌ?乂—?：?％?：＇?乂藝??ｉ?预算分ｋ：??“一．７－＾＾＾－－－－－．－－＾?＇??｜最优撕Ｎ?，?Ｈ?Ｉ??！?事件?ｉ??！?…昇＆?

在本小节中，将通过一系列的对比仿真实验来观察本文所提算法的有效性。首??先对比本算法比其他算法的优越性，本次实验与两个较新的针对流式数据隐私保??护算法：ＲｅＳＣｕｅＤＰ［８３＾ＢＡ［８４进行对比。仿真结果如图３－３所示，首先，三种算法??的平均绝对误差都随着隐私预算ｅ的增大而减小，同时ＱｏＰ会随增大，这是因为较??大的隐私预算￡意味着在扰动阶段时加入的噪声较小。另外，可以看出本章所提算??法ＡＤＰ无论隐私预算ｆ处于什么水平时都优于ＲｅｓｃｕｅＤＰ和ＢＡ算法，尤其是在隐??私预算较小时，体现的优势更加明显。本文所提算法ＡＤＰ的优越性能主要得益于??如下几点：第一，最佳抽样点算法和对应的隐私预算分配算法使得所有的预算能够??完全地利用；第二，自适应事件级差分隐私算法的提出使得隐私保护窗口能够??自适应调整，同时也能提高算法的实用性；最后，基于智能分组的扰动算法能够

【参考文献】：
期刊论文
[1]差分隐私保护及其应用[J]. 熊平,朱天清,王晓峰.  计算机学报. 2014(01)



本文编号：2983721