【摘要】：隨著大數(shù)據(jù)時代的到來,個人隱私數(shù)據(jù)泄露問題日趨嚴(yán)重。為保證發(fā)布數(shù)據(jù)的可用性,同時又保護敏感屬性數(shù)據(jù)免遭泄露,近年來采用多敏感屬性數(shù)據(jù)保護的研究方法已成為數(shù)據(jù)保護領(lǐng)域的熱點。本文所做的工作就是針對多敏感屬性隱私數(shù)據(jù)保護進(jìn)行研究,主要針對多維桶分組技術(shù)MSB往往產(chǎn)生較高的隱匿率和信息損失度較大的情況,分析產(chǎn)生缺陷的原因,并設(shè)計改進(jìn)算法,提出基于分解方法的多敏感屬性數(shù)據(jù)最大選擇度優(yōu)先算法(MSADMSP Multi-sensitive Attribute Data Maximum Selection Priority),該算法首先分析多敏感屬性之間的關(guān)聯(lián)關(guān)系,將敏感屬性劃分成m個敏感屬性分組,降低敏感屬性維度,再依據(jù)選定的多樣性參數(shù)L采用最大多維容量優(yōu)先的算法MMDCF(Maximal Multi-Dimension-Capacity First)中的選擇策略分別對這m個分組所構(gòu)成的數(shù)據(jù)子表選擇合適分組構(gòu)成滿足多樣性參數(shù)l的等價類劃分組,并對所有能夠發(fā)布等價類分組記錄所對應(yīng)的QI屬性內(nèi)容進(jìn)行泛化處理,然后對發(fā)布的m張SA敏感屬性表,對每一張SA敏感屬性表都以等價類為單位隨機交換每個等價類所包含的敏感屬性值,進(jìn)一步打亂發(fā)布數(shù)據(jù)之間的關(guān)聯(lián)關(guān)系,最后將原始數(shù)據(jù)分解為一張QI表和m張SA表并采用有損鏈接技術(shù)進(jìn)行發(fā)布。有效降低發(fā)布數(shù)據(jù)隱匿率,減弱敏感屬性數(shù)據(jù)之間的關(guān)聯(lián)關(guān)系,實現(xiàn)數(shù)據(jù)可用性與安全性的動態(tài)平衡。
【學(xué)位授予單位】：中國人民公安大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：D035.3
【圖文】：

圖 2.1 敏感屬性數(shù)據(jù)保護技術(shù)技術(shù)(Distorting)：通過添加噪聲、數(shù)據(jù)擾動使敏感數(shù)據(jù)失可以保持某些統(tǒng)計方面的性質(zhì)。技術(shù)(Encryption)：實質(zhì)是一種數(shù)據(jù)形式的變換，數(shù)據(jù)發(fā)布感屬性數(shù)據(jù)進(jìn)行加密，對敏感數(shù)據(jù)變換形式達(dá)到隱藏的目據(jù)，常用于分布環(huán)境中的安全多方計算[16]。發(fā)布技術(shù)：制定數(shù)據(jù)發(fā)布策略選擇性發(fā)布數(shù)據(jù)或者發(fā)布精處理后的數(shù)據(jù)進(jìn)行發(fā)布，一定程度上可以有效降低敏感隱技術(shù)的研究集中于“數(shù)據(jù)匿名化”，匿名化技術(shù)主要)、分解(anatomy)、聚類(clustering)等，匿名化研究主要集論的環(huán)境背景就是在基于信任模式下的數(shù)據(jù)限制發(fā)布技術(shù)

隱私數(shù)據(jù)攻擊方式，會受到各式各樣潛在的安全威脅和攻擊，攻私數(shù)據(jù)，所以研究敏感屬性隱私數(shù)據(jù)保護的重相關(guān)攻擊手段特點來對各種數(shù)據(jù)保護模型進(jìn)行。兩種表現(xiàn)形式，惡意攻擊者在掌握 QI 屬性信容進(jìn)行連接，從而獲取個體敏感信息，或者惡對發(fā)布數(shù)據(jù)的準(zhǔn)標(biāo)識符屬性信息進(jìn)行分析，然行關(guān)聯(lián)和連接，從而快速定位識別出某一記錄擊方式稱之為鏈接攻擊[21]。例如圖 2.2 所示，信息，對兩數(shù)據(jù)表進(jìn)行交叉關(guān)聯(lián)鏈接，即可輕數(shù)據(jù)，這些數(shù)據(jù)可能會造成嚴(yán)重的，敏感屬性

圖 3.1 準(zhǔn)標(biāo)識符數(shù)據(jù)泛化過程anonymity 模型思路簡單，實現(xiàn)不復(fù)雜，但針對同質(zhì)性攻擊和背景知識攻y 模型是存在缺陷的[28]，因此后人在 k-anonymity 模型的基礎(chǔ)上提出了 31]。-diversity 要求 L(X1,X2… ,Xn)滿足 k-anonymity 模型的基礎(chǔ)上記錄中有 l 具體要求如下：1）相異l-多樣性：l 相異性指在隨意選取的一個等價類之中，其包含不同數(shù)目不少于l 個。2）Entropy l-diversity（信息熵 l-diversity ），信息論中信息熵是衡量發(fā)的信息量大小，是信息量的期望，某一等價類敏感屬性的信息熵為：Entropy(E)=－ SPEEs( ,s）logp(,s）[32]滿足同一等價類中 Entropy(E)≥logl，同時若此值越大則同一等價類中的

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 本刊編輯部;;多尺度表達(dá)中屬性數(shù)據(jù)不確定性及其可視化分析[J];信陽師范學(xué)院學(xué)報(自然科學(xué)版);2017年04期

2 劉春;GIS屬性數(shù)據(jù)的精度度量及質(zhì)量控制的抽樣原理與方法[J];測繪學(xué)報;2001年04期

3 魏銳;李留青;;網(wǎng)絡(luò)中多敏感屬性數(shù)據(jù)發(fā)布隱私保護研究[J];電子設(shè)計工程;2014年17期

4 茆詩松;;屬性數(shù)據(jù)的測量系統(tǒng)分析(下)[J];上海質(zhì)量;2006年03期

5 王平;秦佐;張熙;;地圖綜合引起的屬性數(shù)據(jù)變化定量分析[J];城市勘測;2013年02期

6 朱俚治;朱梧j

本文編號：2794630