敏感度感知的高维数据差分隐私保护方法

发布时间：2022-02-23 02:03

　　数字技术使各种各样的组织能够轻松收集大量的个人信息,例如医疗记录,网络搜索历史等。对于这些数据,可以挖掘或者提取数据背后的许多潜在的信息和规则,为组织和个体提供准确的动态和可靠的预测。例如,人们的历史医疗记录和遗传信息可以收集来帮助医院工作人员更好地诊断和检测患者的健康状况;从智能手机用户收集的各种环境监测数据可以使城市规划更加高效,使人们的生活更加便利。美国加州大学伯利克利分校理论计算所主任莎菲·戈德瓦瑟是最年轻的图灵奖得主,她表示,在大数据时代,人们尤其关注如何在保护数据隐私的情况下计算数据。然而,目前隐私问题在数据分析和收集方面仍然是一大障碍。以k-匿名模型为代表的基于分组的隐私保护模型,通过泛化、抑制的手段实现隐私保护的目的。但是,这些隐私模型容易受到来自攻击者背景知识的攻击,而且对隐私模型保护程度没有进行量化分析。差分隐私保护模型通过在统计结果中注入随机噪声来解决上述问题,差分隐私正在迅速普及,因为它为具有任意背景信息的攻击者提供严格的隐私保障。差分隐私保护模型的主要优点在于不考虑攻击者拥有多少背景知识都能提供隐私保护,同时给出隐私泄露风险的定量化分析。在满足差分隐私的同时如... 

【文章来源】：广西师范大学广西壮族自治区

【文章页数】：54 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 研究背景与意义
    1.2 研究现状与分析
    1.3 本文主要工作及创新
    1.4 本文组织结构
第2章 差分隐私保护模型、粗糙集理论概述
    2.1 差分隐私保护模型
        2.1.1 差分隐私的定义
        2.1.2 差分隐私实现机制
        2.1.3 差分隐私的组合特性
    2.2 粗糙集理论
        2.2.1 粗糙集理论相关概念
        2.2.2 属性依赖度
    2.3 统计查询中的隐私问题
    2.4 本章小结
第3章 关联数据中基于粗糙集分类的差分隐私保护方法
    3.1 关联数据隐私保护问题描述
    3.2 基于粗糙集的属性分类
        3.2.1 度量属性相互之间的依赖程度
        3.2.2 对属性进行分类
    3.3 基于信息熵的加噪机制
        3.3.1 敏感度分析
        3.3.2 基于信息熵的加噪方法
    3.4 基于粗糙集的差分隐私算法安全性分析
    3.5 本章小结
第4章 基于粗糙集理论的差分隐私保护方法设计与实现
    4.1 方案的总体设计和执行步骤
        4.1.1 系统需求分析
        4.1.2 系统总体设计
    4.2 基于粗糙集的属性分类算法
    4.3 基于信息熵的差分隐私加噪算法
    4.4 本章小结
第5章 系统环境与实验分析
    5.1 系统环境与数据集描述
        5.1.1 系统环境设置
        5.1.2 实验设计
        5.1.3 实验过程描述
    5.2 实验结果分析
        5.2.1 不同隐私参数下误差随查询次数的变化
        5.2.2 不同隐私参数下随机组合查询的总误差
        5.2.3 与其他隐私模型的对比
    5.3 本章小结
第6章 总结与展望
    6.1 总结
    6.2 展望
参考文献
攻读硕士学位期间的研究成果
致谢



本文编号：3640644