基于隱私保護的分布式聚類算法研究.pdf

1、數(shù)據(jù)挖掘技術在發(fā)現(xiàn)規(guī)律和知識的同時也暴露了一些隱私信息，隱私保護因此成為數(shù)據(jù)挖掘過程中需要研究的重要問題，其目標是在不訪問真實原始數(shù)據(jù)的條件下，能得到正確的數(shù)據(jù)挖掘結果。聚類分析是數(shù)據(jù)挖掘領域的一項重要研究內容，它在金融、電信、保險業(yè)、市場營銷、異常檢測、網絡安全、科學決策等方面具有十分重要的應用價值。由于網絡帶寬、站點存儲量、信息安全及隱私保護等限制，需要進行分布式聚類。本文將探討分布式聚類過程中的隱私保護問題，研究基于隱私保護的分布

2、式聚類算法，主要創(chuàng)新點如下。
　　 1.針對水平劃分的分布式數(shù)據(jù)庫，提出了一種基于隱私保護的分布式聚類算法PPDK-Means，該算法基于K-Means的思想實現(xiàn)分布式聚類，并且聚類過程中引入半可信第三方，應用安全多方技術保護本站點真實數(shù)據(jù)不被傳送到其他站點，從而達到隱私保護的目的。理論分析和實驗結果表明PPDK-Means算法是有效的。
　　 2.針對垂直劃分的分布式數(shù)據(jù)庫，提出了一種基于隱私保護的分布式聚類算法PPD

3、C_VP，該算法基于K-Means的思想實現(xiàn)分布式聚類，并且聚類過程中應用擾亂技術保護本站點真實信息不被傳送到其他站點，從而達到隱私保護的目的。理論分析和實驗結果表明PPDC_VP 算法是有效的。
　　 3.對基于密度的分布式聚類算法DBDC進行改進，提出了一種基于密度的分布式隱私保護聚類算法DBPPDC。在由局部模型確定全局模型時，通過相關安全協(xié)議有效地保護了局部模型，同時不影響全局聚類。在利用全局模型更新局部模型時，通過改進