预览加载失败，请重新加载试试~

面向聚類分析的數據隱私保護方法研究.pdf_第1頁
已閱讀1頁，還剩59頁未讀， 繼續(xù)免費閱讀

下載本文檔

版權說明：本文檔由用戶提供并上傳，收益歸屬內容提供方，若內容存在侵權，請進行舉報或認領

文檔簡介

1、隨著大數據時代的到來，數據規(guī)模呈爆發(fā)式增長，對數據存儲和挖掘技術提出了更高的需求。多來源的海量異構數據以數據中心的方式存儲和集中式分析，已經成為大數據處理的基本模式之一。然而，由此帶來的隱私泄露問題是制約其應用的重要因素。聚類作為一種常用的數據挖掘方法，挖掘數據潛在價值的同時，面臨著數據隱私泄露的風險。因此，研究面向聚類分析的數據隱私保護方法具有重要的理論意義和實用價值。本文的研究內容主要包括以下兩個方面:
　　其一，針對隱私保護

2、聚類問題，本文提出了一種基于敏感屬性效用的細粒度數據隱藏算法，稱之為SFU-FDO算法。該算法首先基于信息嫡理論和K鄰域思想，定義了敏感屬性的類分布熵與鄰域分布熵;然后根據類分布熵與鄰域分布熵對敏感屬性的聚類效用進行建模與分析，根據敏感屬性的聚類效用不同，采用混合隱藏策略實現數據隱藏。理論分析和對比實驗結果表明，與現有的算法相比，SFU-FDO算法在保證數據隱私性的同時有效提高了聚類精度。
　　其二，針對數據隱藏操作可能導致敏感屬

溫馨提示

  • 1. 本站所有資源如無特殊說明，都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等，如果需要附件，請聯系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙，網頁內容里面會有圖紙預覽，若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間，僅對用戶上傳內容的表現方式做保護處理，對用戶上傳分享的文檔內容本身不做任何修改或編輯，并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容，請與我們聯系，我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論