差分隱私保護數(shù)據(jù)聚合優(yōu)化方法及其在數(shù)據(jù)可視化中的應(yīng)用.pdf

1、在醫(yī)療、金融、戶籍管理等涉及國計民生的國家基礎(chǔ)信息網(wǎng)絡(luò)和重要信息系統(tǒng)中，存在著大量的隱私數(shù)據(jù)，其中，許多包含敏感信息的數(shù)據(jù)都是大樣本數(shù)據(jù)，數(shù)據(jù)可視化技術(shù)可以輔助用戶快速準確地發(fā)掘其中隱含的信息，如何對包含敏感信息的大樣本數(shù)據(jù)進行可視化是本文的主要研究內(nèi)容。
　　 本文研究2006年由Dwork等人首次提出的差分隱私保護方法，差分隱私保護方法首次定義了一個嚴格的攻擊模型，通過添加噪聲使數(shù)據(jù)失真，從而達到隱私保護的目的。差分隱私保護

2、方法具有兩大優(yōu)點:①隱私披露風險與攻擊者所具有的背景知識無關(guān)。②隱私保護所添加的噪聲量不隨數(shù)據(jù)集的增大而增加。由于差分隱私保護僅通過添加與數(shù)據(jù)集大小無關(guān)的少量噪聲，就能達到高級別的隱私保護，極大的保證了數(shù)據(jù)可視化的可用性，因而非常適合于解決大樣本數(shù)據(jù)的安全可視化問題。
　　 數(shù)據(jù)可視化通過數(shù)據(jù)聚合來減少可視化中的圖像疊加，提高大樣本數(shù)據(jù)可視化質(zhì)量，差分隱私保護數(shù)據(jù)聚合的難點在于①數(shù)據(jù)聚合中的聚簇數(shù)量往往很大，噪音的添加使得聚合的

3、成功率極低。②迭代次數(shù)的不確定性導致隱私預(yù)算消耗過快，一旦隱私預(yù)算耗盡，則難以實現(xiàn)有效的隱私保護。本文在上述背景下提出，研究“差分隱私保護下的數(shù)據(jù)聚合及其在數(shù)據(jù)可視化中的應(yīng)用”，包括以下四個內(nèi)容:
　　 1.研究獲取ε-差分隱私保護的理論和方法，分析了交互式與非交互式框架下的差分隱私保護機制，列舉了幾種攻擊模型下，差分隱私保護方法與k-匿名和L-diversity相比所具備的優(yōu)勢。差分隱私保護方法隱私預(yù)算的消耗速度與敏感度有著密

4、切的關(guān)系，本文對幾種特定情況下敏感度的界進行了分析。
　　 2.在對大樣本數(shù)據(jù)進行可視化時，通常先對數(shù)據(jù)進行聚合處理，以減少可視化中的圖像交疊、重合的現(xiàn)象，從而提高大樣本數(shù)據(jù)的可視化圖像質(zhì)量。聚類是數(shù)據(jù)聚合的基本手段，本文研究差分隱私保護下的聚類算法，針對差分隱私k-means聚類可用性差的問題，在滿足ε-差分隱私保護的基礎(chǔ)上，通過改進初始中心點的選擇，提出了一個IDPk-means聚類方法，與現(xiàn)有的隱私保護k-means聚類方

5、法相比，IDPk-means聚類方法在同樣的隱私保護級別下，提高了聚類可用性。為了更具客觀性，我們引入了隱私保護聚類的同類算法與IDPk-means聚類方法進行了比較，通過仿真實驗可得出結(jié)論，IDPk-means的聚類質(zhì)量在各項指標上的表現(xiàn)更具優(yōu)勢，尤其在大樣本數(shù)據(jù)集上的優(yōu)勢會更加明顯。
　　 3.聚合與聚類算法的不同之處在于聚合算法需要支持數(shù)量更大的聚簇。很多聚類算法在聚簇數(shù)目較大的情況下，往往會出現(xiàn)聚類可用性低，迭代次數(shù)大，

6、算法效率低等問題。本文提出了一種均分k-means++數(shù)據(jù)聚合算法，以數(shù)據(jù)可視化為目的對算法進行了改進，使算法支持高效地聚合為更多的簇。聚合得到的數(shù)據(jù)既較好地保持了原數(shù)據(jù)空間的大部分特性，又顯著提高了可視化后的圖像質(zhì)量。仿真實驗證明，在不同的DAL下，無論是圖像質(zhì)量還是質(zhì)量評價指標HDM，NNM上，算法都表現(xiàn)出了較好的效果。
　　 4.差分隱私保護下的數(shù)據(jù)聚合方法是本文的主要研究內(nèi)容之一，本文提出了一種差分隱私DPEk-mean