科學技術(shù)的迅猛發(fā)展使得人們的生活越來越便利,與此同時,日益劇增的數(shù)據(jù)量加大了人們獲取信息的難度。數(shù)據(jù)挖掘技術(shù)的興起與發(fā)展有利于解決人們信息獲取的難題,但是,數(shù)據(jù)挖掘的大規(guī)模應(yīng)用正在嚴重危害著人們個人隱私數(shù)據(jù)的安全。人們享受數(shù)據(jù)挖掘帶來的便利的同時,正在承擔著個人隱私泄露的風險。面向數(shù)據(jù)挖掘的隱私保護技術(shù)的研究旨在保護人們隱私數(shù)據(jù)的同時進行有效的數(shù)據(jù)挖掘。綜上所述,面向數(shù)據(jù)挖掘的隱私保護技術(shù)是一個亟待研究的課題。本文的主要研究工作如下:1.本文提出了一種基于k-means的差分隱私保護方法。此方法首先將原始數(shù)據(jù)集去除孤立點,其次根據(jù)數(shù)據(jù)集的平均密度確定初始聚類中心,然后按照已經(jīng)確定的初始聚類中心對數(shù)據(jù)集進行聚類及匿名處理,最后將噪聲數(shù)據(jù)添加到經(jīng)過處理的數(shù)據(jù)集中。由于經(jīng)過聚類匿名處理后的數(shù)據(jù)集能夠有效減少查詢函數(shù)的敏感度,從而降低拉普拉斯噪聲的添加量,所以基于k-means的差分隱私保護能夠很大程度上提高數(shù)據(jù)的可用性。2.本文在基于泛化的差分隱私匿名算法（Differentially-private anonymization algorithm based on Generalizati... 

【文章來源】：南京信息工程大學江蘇省

【文章頁數(shù)】：55 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 論文研究背景及意義
    1.2 研究現(xiàn)狀
    1.3 論文組織架構(gòu)
第二章 相關(guān)技術(shù)介紹
    2.1 數(shù)據(jù)挖掘
    2.2 聚類
    2.3 個性化推薦
    2.4 差分隱私保護技術(shù)
    2.5 面向數(shù)據(jù)挖掘的隱私保護算法
        2.5.1 基于數(shù)據(jù)失真的面向數(shù)據(jù)挖掘的隱私保護算法
        2.5.2 基于數(shù)據(jù)加密的面向數(shù)據(jù)挖掘的隱私保護算法
        2.5.3 基于限制發(fā)布的面向數(shù)據(jù)挖掘的隱私保護算法
    2.6 本章小結(jié)
第三章 基于差分隱私保護的k-means匿名化算法
    3.1 基于k-means的匿名化算法
    3.2 改進的基于k-means的匿名化算法
    3.3 基于差分隱私保護的k-means匿名化算法
    3.4 實驗分析
        3.4.1 實驗環(huán)境
        3.4.2 評價指標
        3.4.3 實驗結(jié)果與分析
    3.5 本章小結(jié)
第四章 改進的基于DiffGen的隱私保護算法
    4.1 DiffGen算法
    4.2 DiffGen算法的改進
        4.2.1 細分方案的選擇
        4.2.2 可用性函數(shù)
        4.2.3 隱私預(yù)算的分配
    4.3 實驗分析
        4.3.1 實驗環(huán)境
        4.3.2 評價指標
        4.3.3 實驗結(jié)果與分析
    4.4 本章小結(jié)
第五章 隱私保護在個性化推薦中的應(yīng)用
    5.1 應(yīng)用背景
    5.2 面向個性化推薦的隱私保護算法
        5.2.1 面向個性化推薦的數(shù)據(jù)發(fā)布算法
        5.2.2 基于隱私保護的個性化推薦算法
    5.3 實驗分析
        5.3.1 實驗數(shù)據(jù)集
        5.3.2 評價指標
        5.3.3 實驗結(jié)果與分析
    5.4 本章小結(jié)
第六章 總結(jié)與展望
    6.1 工作總結(jié)
    6.2 展望
致謝
參考文獻
作者簡介


【參考文獻】：
期刊論文
[1]面向差分隱私保護的聚類算法[J]. 胡闖,楊庚,白云璐.  計算機科學. 2019(02)
[2]基于拉普拉斯機制的差分隱私保護k-means++聚類算法研究[J]. 傅彥銘,李振鐸.  信息網(wǎng)絡(luò)安全. 2019(02)
[3]個性化（α,l）-多樣性k-匿名隱私保護模型[J]. 曹敏姿,張琳琳,畢雪華,趙楷.  計算機科學. 2018(11)
[4]面向位置大數(shù)據(jù)的差分隱私保護研究[J]. 張建坤,馬永發(fā),謝蔚.  軟件導(dǎo)刊. 2018(11)
[5]數(shù)據(jù)相等問題的安全多方計算方案研究[J]. 竇家維,李順東.  電子學報. 2018(05)
[6]同態(tài)加密在加密機器學習中的應(yīng)用研究綜述[J]. 崔建京,龍軍,閔爾學,于洋,殷建平.  計算機科學. 2018(04)
[7]基于差分隱私的數(shù)據(jù)匿名化隱私保護方法[J]. 陳曉宇,韓斌,黃樹成.  計算機技術(shù)與發(fā)展. 2018(07)
[8]一種個性化（p,k）匿名隱私保護算法[J]. 賈俊杰,閆國蕾.  計算機工程. 2018(01)
[9]融合集群度與距離均衡優(yōu)化的K-均值聚類算法[J]. 王日宏,崔興梅.  計算機應(yīng)用. 2018(01)
[10]基于密度差分的自動聚類算法[J]. 陳朝威,常冬霞.  軟件學報. 2018(04)

博士論文
[1]面向數(shù)據(jù)挖掘的隱私保護方法研究[D]. 李鋒.上海交通大學 2008



本文編號：3003480