面向分类挖掘的独立L-多样性隐私保护方法研究

摘要

随着信息技术的发展与普及，大量个人信息被发布以用于数据挖掘，这些信息在为各行业提供知识及商业价值的同时，也给个人隐私信息的安全造成了威胁。因此，研究新的、实用的隐私保护技术具有重要的意义。
　　对于现有的面向分类挖掘的隐私保护技术存在安全性不足的问题，和现有的满足独立L-多样性原则的隐私保护技术不适用于分类挖掘应用的问题，首先，给出了面向分类挖掘的独立L-多样性隐私保护算法，算法分为三个操作步骤：初始化操作是为不同类型非隐私属性生成语义树，并对相应语义树进行初始化以提高算法效率，划分操作是基于Top-Down Specialization算法中自顶向下的泛化思想的两层划分，在划分操作中的划分节点选取操作，使得划分后的匿名数据可以获得较大的信息增益并降低泛化带来的信息损失，使匿名数据可用于分类挖掘，同时，在第一层划分后为分组内每个元组添加L-1个互不相同的噪音隐私属性值，扰动操作使匿名后的数据满足独立L-多样性原则；其次，对给出的算法在安全性、可用性与代价上的分析，理论上证明了经算法匿名后的数据满足分类挖掘的要求，且满足独立L-多样性原则；最后，给出了算法的特性实验、分类挖掘相关算法与现有工作的对比实验，实验结果表明，匿名后的数据可用于分类挖掘，同时有较好的分类效果。

目录

封面

声明

中文摘要

英文摘要

目录

1 绪论

1.1 课题背景

1.2 国内外概况

1.3 课题主要研究工作

2 面向分类挖掘的独立L-多样性隐私保护算法

2.1 引言

2.2 初始化操作

2.3 数据划分操作

2.4 分块后的扰动操作及发布

2.5 小结

3 算法分析

3.1 安全性分析

3.2 数据可用性分析

3.3 算法代价分析

3.4 小结

4 实验与分析

4.1 实验初始化设置

4.2 面向分类挖掘的独立L-多样性算法的特性实验

4.3 分类挖掘相关工作的对比实验

4.4 小结

5 总结与展望

5.1 全文总结

5.2 展望

致谢

参考文献