基于差分隐私的加权p 0 模型的渐近理论
发布时间：2021-11-17 11:29
随着互联网技术的发展,边加权的有向网络在日常生活和工作中普遍存在,许多学者也对其统计性质做了进一步研究。但是网络图的度序列往往会携带许多敏感信息,因此保护隐私数据也成为统计分析的一个重要问题。本文在差分隐私机制保护数据的前提下,对加权有向随机图建立p0模型,进一步研究其参数性质。本文主要研究的是差分隐私准则下加权p0网络模型中的统计推断问题,研究结果包括:第一、由于隐私保护的对象是双度序列,双度序列也是加权p0模型的完全充分统计量,因此首先用满足差分隐私的拉普拉斯机制释放加噪声的加权有向双度序列。第二、基于差分隐私双度序列建立矩估计方程得到加权p0模型中参数的差分隐私估计量。第三、证明差分隐私估计量的相合性,具体表述为:设q-1是网络图中边的最大权重,θ是P0模型中的参数,θ和κ是分别是隐私参数和次指数分布的参数。如果（1+4（q-1）2/θ）e12||θ*||∞=Op（n1/2/（log n）1/2）,其中θ是隐私参数,则当n趋于无穷大时,依概率约为1,θ的估计θ存在且满足||θ-θ*||∞=Op(（（log n）1/2/n1/2-（1+k）e6||θ*||∞）=op（1）.进一步地...
【文章来源】：华中师范大学湖北省 211工程院校 教育部直属院校
【文章页数】：60 页
【学位级别】：硕士
【部分图文】：
图１：法国政治性博客引用关系网络图??
丨硕士学位论文??ＭＡＳＴＥＲ＇Ｓ?ＴＨＥＳＩＳ??〇Ｓ??Ｚ爹＼??Ｖ＼?Ｖ?／??＇令??图２：猕猴攻击行为关系网络图??１．２网络数据中的隐私保护问题??随着大数据时代的到来，网络数据在科学研究中的地位越来越高，在用算??法收集、使用用户数据信息的过程中，难免会公布一些数据。虽然互联网为我??们的生产生活和工作都带来极大便利，但这些数据中可能包含一些机密或个人??之间的隐私信息，如在研宄性疾病传播的流行病学中，就涉及了个人性伴侣数??的问题［Ｈｅｌｌｅｒｉｎｇｅｒ?ａｎｄ?Ｋｏｈｌｅｒ?（２〇０７）］，如果这些敏感数据使用不当，就会泄露??用户隐私，甚至威胁人们的人身财产安全。美国在线（ＡＯＬ）为了学术研究曾??在２００６年８月将６５万个用户的匿名搜索记录公布于众，但是纽约时报根据匿名ＩＤ??直接找到了其中一名用户，因此ＡＯＬ遭到起诉，并受到巨额赔偿。所以在我们的??日常生活和工作与计算机网络的联系更加紧密的时候，网络数据分析也越来越重??视对个人隐私数据的保护。??近年来对用户自身数据隐私的有效保护也成了各大企业越来越高度关注的??问题。如果网络统计量（如，度）很敏感，为了确保这些信息不被泄露，数据公??开前必须对其进行处理。解决隐私问题的一种简单方法是匿名技术，也就是从??网络中删除身份标识并释放一个匿名同构网络，但是己经证明这种方法也会被??攻击［例如，Ｂａｃｋｓｔ．ｒｏｍ?ｃｔａｌ．?（２〇〇７）；?Ｎａｒａｙａｎａｎ?ａｎｄ?Ｓｈｍａｔｉｋｏｖ?（２〇０９）］。苹果公司??３??
項士学位论文??ＭＡＳＴＥＲ＇Ｓ?ＴＨＥＳＩＳ??％??图３：猕猴竞争关系网络图??在２０１６年将可以通过数据分析出用户群体行为，但不能从数据中准确推测单个用??户信息的差分隐私（ＤＰ）技术应用到ＩＯＳ１０中保护用户隐私。??差分隐私能够有效防止攻击者利用公开数据和己有信息准确推断用户隐私。??假如对两个只有一条数据不同的数据集进行查询，得到一样的结果的可能性非常??大，就可以有效避免差分攻击。这是一种加入随机性的方法，提供隐私保护最常??用的方法就是使用拉普拉斯机制丨例如，Ｈａｙｅｔａｌ．?（２００９）］，也就是将独立同分布的??拉普拉斯变量加入到输入数据中。拉普拉斯机制有一个很好的特性就是满足“差??分隐私”。Ｄｗｏｒｋｅｔａｌ．?（２００６）提出了满足差分隐私（ＤＰ）的拉普拉斯机制，也为??统计数据分析提供了严格的差分隐私定义，保证一条数据的变化不会对随机数据??释放机制中的输出分布产生显著影响。??这里把拉普拉斯分布作为特例，考虑噪声变量的一般分布。我们称变量Ｘ是??参数为ｋ?＞?ＯｆＶｅｒｓｈｙｎｉｎ?（２０１２）］的次指数，如果??［Ｅ｜Ｘ｜ｐ］１／ｐ＜／ｃｐ，Ｖｐ＞ｌ．?（１．１）??这里假设随机变量丨６，＋丨『＝１，?是相互独立、参数均为Ｋ的次指数分布。然后??４??
本文编号：3500821
【文章来源】：华中师范大学湖北省 211工程院校 教育部直属院校
【文章页数】：60 页
【学位级别】：硕士
【部分图文】：
图１：法国政治性博客引用关系网络图??
丨硕士学位论文??ＭＡＳＴＥＲ＇Ｓ?ＴＨＥＳＩＳ??〇Ｓ??Ｚ爹＼??Ｖ＼?Ｖ?／??＇令??图２：猕猴攻击行为关系网络图??１．２网络数据中的隐私保护问题??随着大数据时代的到来，网络数据在科学研究中的地位越来越高，在用算??法收集、使用用户数据信息的过程中，难免会公布一些数据。虽然互联网为我??们的生产生活和工作都带来极大便利，但这些数据中可能包含一些机密或个人??之间的隐私信息，如在研宄性疾病传播的流行病学中，就涉及了个人性伴侣数??的问题［Ｈｅｌｌｅｒｉｎｇｅｒ?ａｎｄ?Ｋｏｈｌｅｒ?（２〇０７）］，如果这些敏感数据使用不当，就会泄露??用户隐私，甚至威胁人们的人身财产安全。美国在线（ＡＯＬ）为了学术研究曾??在２００６年８月将６５万个用户的匿名搜索记录公布于众，但是纽约时报根据匿名ＩＤ??直接找到了其中一名用户，因此ＡＯＬ遭到起诉，并受到巨额赔偿。所以在我们的??日常生活和工作与计算机网络的联系更加紧密的时候，网络数据分析也越来越重??视对个人隐私数据的保护。??近年来对用户自身数据隐私的有效保护也成了各大企业越来越高度关注的??问题。如果网络统计量（如，度）很敏感，为了确保这些信息不被泄露，数据公??开前必须对其进行处理。解决隐私问题的一种简单方法是匿名技术，也就是从??网络中删除身份标识并释放一个匿名同构网络，但是己经证明这种方法也会被??攻击［例如，Ｂａｃｋｓｔ．ｒｏｍ?ｃｔａｌ．?（２〇〇７）；?Ｎａｒａｙａｎａｎ?ａｎｄ?Ｓｈｍａｔｉｋｏｖ?（２〇０９）］。苹果公司??３??
項士学位论文??ＭＡＳＴＥＲ＇Ｓ?ＴＨＥＳＩＳ??％??图３：猕猴竞争关系网络图??在２０１６年将可以通过数据分析出用户群体行为，但不能从数据中准确推测单个用??户信息的差分隐私（ＤＰ）技术应用到ＩＯＳ１０中保护用户隐私。??差分隐私能够有效防止攻击者利用公开数据和己有信息准确推断用户隐私。??假如对两个只有一条数据不同的数据集进行查询，得到一样的结果的可能性非常??大，就可以有效避免差分攻击。这是一种加入随机性的方法，提供隐私保护最常??用的方法就是使用拉普拉斯机制丨例如，Ｈａｙｅｔａｌ．?（２００９）］，也就是将独立同分布的??拉普拉斯变量加入到输入数据中。拉普拉斯机制有一个很好的特性就是满足“差??分隐私”。Ｄｗｏｒｋｅｔａｌ．?（２００６）提出了满足差分隐私（ＤＰ）的拉普拉斯机制，也为??统计数据分析提供了严格的差分隐私定义，保证一条数据的变化不会对随机数据??释放机制中的输出分布产生显著影响。??这里把拉普拉斯分布作为特例，考虑噪声变量的一般分布。我们称变量Ｘ是??参数为ｋ?＞?ＯｆＶｅｒｓｈｙｎｉｎ?（２０１２）］的次指数，如果??［Ｅ｜Ｘ｜ｐ］１／ｐ＜／ｃｐ，Ｖｐ＞ｌ．?（１．１）??这里假设随机变量丨６，＋丨『＝１，?是相互独立、参数均为Ｋ的次指数分布。然后??４??
本文编号：3500821
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3500821.html
