微数据发布中提高匿名数据可用性的匿名化方法研究

摘要

微数据在数据分析和科学研究等领域发挥着越来越重要的作用。因此，越来越多的组织机构收集并共享微数据，然而微数据的发布和共享会泄漏包含在数据中的隐私信息。因此，微数据发布中隐私保护问题近几年来成为数据挖掘领域的研究热点。
　　目前在微数据发布的隐私保护领域中，匿名化技术是该领域中的主流方法，其主要思想是通过对原始待发布数据的处理，减少个体身份被攻击者唯一标识的概率，从而实现个体的隐私保护。本文通过结合噪音技术、模糊粗糙集等领域知识，对微数据发布中隐私保护在匿名数据可用性上进行了研究，主要工作如下:
　　(1)提出了将泛化和噪音技术相结合的隐私保护匿名化方法的研究。在现有的实现k-匿名模型的隐私保护方法中，泛化技术的应用相当广泛。尤其是在数据分布均匀的状况下，其数据匿名效果较好。但当数据规模不是很大，分布不均匀的情况下，会出现数据泛化程度过大，匿名数据可用性过低的问题。针对这个缺陷，本文提出了噪音和泛化技术相结合的GN匿名方法，该方法通过在泛化过程中添加噪音降低泛化程度;并提出噪音添加模型，保证添加噪音后的匿名数据中敏感属性分布与原始数据基本不变;还提出了实现算法GN-Bottom-up算法，且实验证明GN方法比原始一般匿名方法能有效降低泛化的程度，提高数据的可用性。
　　(2)提出了基于模糊粗糙集的加权聚类隐私保护方法的研究。在现有隐私保护方法产生的匿名数据中，普遍存在针对聚类应用的可用性差问题。针对该问题，本文提出一种考虑属性权重的隐私保护方法（FSRS)。其中通过基于模糊粗糙集的客观权重分配方法，得到属性权重以更好进行聚类泛化，达到提高数据聚类应用的目的。本文还通过Weka中聚类效果分析验证该方法的有效性。
　　(3)提出了基于粗糙集理论的匿名化方法的研究。在工作点二的研究基础上，本文提出了一种改进后考虑属性权重的隐私保护方法(PBRS)。其中各个属性的权重由粗糙集中系统属性重要度定义的方法获得。本文也通过Weka中聚类效果分析验证该方法的有效性。

目录

摘要

1 绪论

1．1 研究背景与意义

1．2 研究现状

1．3 本文工作及架构组织

1．3．1 本文工作

1．3．2 本文的架构组织

2 相关匿名化知识

2．1 攻击类型和相应匿名模型

2．1．1 记录链接

2．1．2 属性链接

2．1．3 表链接

2．1．4 概率攻击

2．2 匿名操作

2．2．1 泛化和隐匿

2．2．2 分解与排列

2．2．3 扰动

2．3 匿名数据质量的评估

2．4 本章小结

3 GN：一种结合泛化和噪音技术的隐私保护方法

3．1 引言

3．2 GN匿名方法

3．2．1 GN框架

3．2．2 参数TND值的设置原则

3．2．3 噪音元组添加模型

3．3 GN-Bottom-up算法

3．3．1 信息损失与距离定义

3．3．2 GN-Bottom-up算法框架

3．4 验证分析

3．4．1 数据可用性方面比较

3．4．2 算法效率方面比较

3．5 本章小结

4 FSRS：一种基于模糊粗糙集的加权隐私保护方法

4．1 引言

4．2 相关技术

4．2．1 模糊集理论

4．2．2 粗糙集理论

4．3 FSRS匿名方法

4．3．1 FSRS的主要框架

4．3．2 WEAM方法

4．4 算法和度量

4．4．1 FsBs-Bottom-up算法

4．4．2 匿名数据度量方法

4．5 实例分析

4．6 本章小结

5 PBRS：一种基于粗糙集理论的聚类加权隐私保护方法

5．1 问题阐述

5．2 粗糙集的相关知识

5．3 PBRS匿名方法

5．3．1 PBRS的主要思想

5．3．2 实例说明

5．4 实现算法

5．5 实验结果与分析

5．5．1 信息损失量分析

5．5．2 聚类效果分析

5．5．3 实验小结

5．6 本章小结

6 总结与展望

6．1 工作总结

6．2 展望

参考文献

攻读学位期间取得的研究成果

致谢

声明