回归算法中的差分隐私保护方法研究

发布时间：2021-05-08 02:50

　　在过去的几十年中,企业、组织和政府机构收集的数字信息已经产生了大量的数据集,并且这些数据收集的速度在过去几年中急剧增加。通常,数据收集者或拥有者会对这些数据进行发布或者作进一步的分析。但是,大多数收集的数据集包含私人的敏感信息。即便数据收集者或拥有者可以应用几种简单的匿名化技术来处理这些敏感信息,但是这些个人信息仍然很有可能被泄露。因此,隐私保护已经变成一个亟待解决的紧迫问题。在保护个人隐私数据的方法中,差分隐私作为一种新提出的隐私定义,在最大背景知识的攻击下仍然能够避免隐私泄露,并且不会造成数据过多的失真。由于差分隐私保护技术可以提供这种严格的隐私保护效果,已经得到国内外研究人员的研究和认可。其中将差分隐私和回归分析相结合是一种重要的研究方向,然而目前的相关工作相对较少,并且仍然存在敏感度大、精度低等问题。为此,本文利用回归分析固有的特性,从两种不同的回归分析算法出发分别解决上述问题,主要的研究工作及成果如下:（1）对于基于线性回归分析的差分隐私保护算法精度低的问题,本文基于遗传算法的特性提出了一种改进的差分隐私线性回归方法。具体来说,该方法采用遗传算法自然选择的进化思想,在挑选出最... 

【文章来源】：广东工业大学广东省

【文章页数】：71 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 研究背景及意义
        1.1.1 研究背景
        1.1.2 研究意义
    1.2 国内外研究现状
        1.2.1 差分隐私回归分析研究现状
    1.3 本文主要工作
    1.4 论文组织架构
第二章 差分隐私保护模型及其相关理论
    2.1 传统隐私保护模型
        2.1.1 k-匿名模型及其攻击模型
        2.1.2 l-diversity模型及其攻击模型
    2.2 差分隐私
    2.3 实现机制
        2.3.1 拉普拉斯机制
        2.3.2 指数机制
    2.4 差分隐私的性质
    2.5 差分隐私的研究方向
        2.5.1 差分隐私数据发布
        2.5.2 差分隐私数据挖掘
    2.6 本章小结
第三章 基于遗传算法的差分隐私回归分析方法
    3.1 问题描述
    3.2 算法的基本步骤与分析
        3.2.1 算法步骤
        3.2.2 算法分析
        3.2.3 隐私预算的分配与使用
    3.3 敏感度的计算
    3.4 实验分析
    3.5 本章小结
第四章 基于ExtraTrees的差分隐私回归分析方法
    4.1 问题描述
    4.2 算法的基本步骤与分析
        4.2.1 算法步骤
        4.2.2 算法分析
        4.2.3 隐私预算的分配与使用
    4.3 敏感度的计算
        4.3.1 基尼指数的敏感度
        4.3.2 均值的敏感度
        4.3.3 方差的敏感度
    4.4 实验分析
        4.4.1 回归实验结果
        4.4.2 分类实验结果
    4.5 两种回归分析的讨论
    4.6 本章小结
第五章 案例应用
    5.1 数据集准备
    5.2 回归问题建模
        5.2.1 建模中存在的隐私泄露问题
        5.2.2 算法建模
    5.3 本章小结
总结与展望
参考文献
攻读学位期间发表论文
致谢



本文编号：3174523