數(shù)據(jù)發(fā)布中的個性化隱私匿名技術研究.pdf

1、近年來,隨著互聯(lián)網(wǎng)、數(shù)據(jù)存儲以及計算技術的飛速發(fā)展,使得信息的收集與分析變得越來越便捷、完整與精確。然而,這些以信息共享、數(shù)據(jù)挖掘與知識發(fā)現(xiàn)等為目的的數(shù)據(jù)發(fā)布過程往往都伴隨著敏感隱私信息的泄露風險,這就引發(fā)了對數(shù)據(jù)發(fā)布過程中隱私保護問題的研究,其主要目標是如何在保證數(shù)據(jù)可用性的前提下,適當損失原始數(shù)據(jù)所包含的信息來提高發(fā)布數(shù)據(jù)的安全性,從而達到隱私保護與數(shù)據(jù)可用性之間的良好平衡。另外,考慮到不同數(shù)據(jù)實體對敏感信息保護程度的不同需求,隱私

2、保護的個性化服務已成為該領域的一個研究熱點。本文立足于隱私保護中的個性化服務需求,在保證信息強可用性的前提下,對數(shù)據(jù)發(fā)布中的個性化隱私匿名技術進行了多方面細致的研究。
　　首先,針對不同個體對隱私保護的不同需求,在傳統(tǒng) l-多樣性的基礎上,對敏感屬性設置相應的保護屬性,提出了一種擴展l-多樣性匿名原則,并通過保護屬性對敏感屬性進行泛化約束來實現(xiàn)個體與敏感值之間關聯(lián)關系的個性化保護需求,從而形式化地定義了一種面向個體的個性化擴展l-

3、多樣性隱私匿名模型。另外,根據(jù) l-多樣性匿名要求發(fā)布等價類中敏感值足夠多樣化的原則,引入一種逆聚類的思想來實現(xiàn)對發(fā)布數(shù)據(jù)集的等價劃分;并在此基礎上,研究設計了一種基于逆聚類的個性化隱私匿名算法來實現(xiàn)面向個體的個性化擴展l-多樣性隱私匿名模型,并從理論上分析了該算法的正確性和復雜性,最后通過兩組不同的仿真實驗表明:與傳統(tǒng)基于聚類的l-多樣性算法相比,基于逆聚類的個性化隱私匿名算法不僅能產生近似的信息損失量以及更小的時間代價,滿足擴展l-

4、多樣性的匿名要求,而且實現(xiàn)了個性化服務的需求,獲得了更有效的隱私保護。
　　其次,針對面向個體的個性化服務在海量數(shù)據(jù)情形下存在個性化參數(shù)設置難的局限性,對面向敏感值的個性化隱私匿名問題進行了研究。在傳統(tǒng)(α,k)-匿名原則的研究基礎上,引入個性隱私敏感因子,進而計算各敏感值的個性隱私保護需求度,從而實現(xiàn)敏感值的個性化服務,并形式化地定義了一種面向敏感值的個性化(α,k)-匿名模型。另外,針對傳統(tǒng)泛化處理過程中各等價類區(qū)間邊界位置不

5、夠準確的缺陷,設計了一種以準標識符屬性信息熵為分類準則的屬性熵分類算法;并在此基礎上,研究設計了一種基于熵分類的個性化隱私匿名算法來實現(xiàn)面向敏感值的個性化(α,k)-匿名模型,并從理論上分析了算法的正確性和復雜性,最后通過兩組不同的仿真實驗表明:與經典的C4.5、Naive-Bayes、NBTree以及k-nearest neighbor(k=3)等分類算法相比,基于屬性熵的分類算法具有更高的分類精度;同時,與傳統(tǒng)的(α,k)-匿名方法

6、相比,基于熵分類的個性化隱私匿名方法不僅滿足了敏感值的個性化服務,而且能更有效合理地減少數(shù)據(jù)集的信息損失度。
　　再次,針對將單敏感屬性數(shù)據(jù)集的隱私匿名原則直接應用于多敏感屬性數(shù)據(jù)集上不能保證隱私信息安全性的問題,在考慮敏感值個性化服務需求的基礎上,對一類面向多敏感屬性的敏感值個性化隱私匿名方法進行了研究。在傳統(tǒng)l-多樣性原則的研究基礎上,引入拓撲空間中的覆蓋思想,重新定義了多敏感屬性l-多樣性原則,并從理論上證明了該定義的正確性

7、和安全性;另外,引入一種基于值域等級劃分的個性化定制方案來實現(xiàn)不同敏感值的個性化服務需求,并在此基礎上,形式化地定義了一種多敏感屬性個性化l-多樣性模型。同時,研究設計了一種基于最小選擇度優(yōu)先的個性化隱私匿名算法(MSFMPL-diversity)來實現(xiàn)該多敏感屬性個性化l-多樣性模型,并從理論上驗證了算法的收斂性和局部最優(yōu)性。最后通過仿真實驗表明:在同等條件下,MSFMPL-diversity算法在滿足敏感值個性化服務需求的前提下,不

8、僅能產生與MBF算法和MMDCF算法相當?shù)男畔㈦[匿率,而且具有更好的時間性能和魯棒性。
　　最后,針對同時包含外部更新和內部更新的完全動態(tài)數(shù)據(jù)集的重發(fā)布隱私保護問題,對一類具有敏感屬性值個性化更新的完全動態(tài)數(shù)據(jù)集重發(fā)布隱私匿名方法進行了研究。在完全動態(tài)數(shù)據(jù)集重發(fā)布披露風險理論的基礎上,引入屬性值的個性化轉移概率來實現(xiàn)敏感屬性更新的個性化服務,并在此基礎上,對個性化重發(fā)布的披露風險進行了評估;同時,在m-unique原則基礎上,提出

9、了一種面向動態(tài)數(shù)據(jù)集重發(fā)布的個性化λ-continuity隱私匿名原則;最后,研究設計了一種面向動態(tài)數(shù)據(jù)集重發(fā)布的增量型個性化λ-continuity隱私匿名算法(λ-PCRAADD)來實現(xiàn)個性化λ-continuity隱私匿名,并從理論上分析了算法的正確性和復雜性。通過仿真實驗表明:在同等條件下,λ-PCRAADD算法在滿足敏感屬性值個性化更新服務需求的前提下,不僅能產生遠小于傳統(tǒng)m-invariance算法的聚集查詢平均相對錯誤率,