一种增强型t-Closeness隐私保护方法

摘要

随着计算机网络和数据挖掘等信息技术的高速发展，基于科学研究、商业应用和知识发现的数据共享的重要性逐渐地显现出来。但是，共享的数据包含如医疗记录等个体敏感信息，因此，个人隐私就有泄露的危险，如何更好地保护隐私便成为专家学者和信息拥有者关注的问题。κ-匿名方法和ι-多样性方法是常用的隐私保护方法，简单实用，t-closeness模型阻止隐私泄露的能力比前两者有所增强，得到了广泛的应用和研究。
　　 本文在分析研究t-closeness模型和增强型κ-匿名技术的基础上，针对t-closeness没有给出具体的算法，且语义隐私不能自定义的不足。提出了(t，α)-closeness方法，即增强型t-closeness隐私保护方法：(1)给出了语义隐私度的度量方法，以α表示语义隐私度，α的计算根据敏感属性值分类的敏感程度，在不同的时期、根据不同的需求，可以自定义属性敏感程度，灵活方便；(2)因为没有具体的算法，t-closeness具有很开放的研究领域和空间，本文给出了两种具体的实现算法，其一，因为自顶向下的方法不会产生信息扭曲，算法采用自顶向下的方法寻找匿名解决方式，满足了(t，α)-closeness要求；其二，分类的过程中产生较少的信息损失，遗传算法按照适者生存和优胜劣汰的原理，逐代演化产生出越来越好的近似解，经过编码、交叉、变异，产生出最优近似解，与经过泛化、抑化逐步产生出符合(t，α)-closeness要求的发布表的过程相似，且能产生较少的信息损失，算法采用基于遗传分类的方法实现。
　　 最后，通过实验验证了本文提出的(t，α)-closeness方法的有效性和可行性，其能够增强抵抗相似性攻击的能力，有效地防止了隐私泄露，同时，保证了数据质量的可用性，但是，数据质量的保护力度不足，可以进一步加强。