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