數(shù)字技術(shù)使各種各樣的組織能夠輕松收集大量的個人信息,例如醫(yī)療記錄,網(wǎng)絡(luò)搜索歷史等。對于這些數(shù)據(jù),可以挖掘或者提取數(shù)據(jù)背后的許多潛在的信息和規(guī)則,為組織和個體提供準(zhǔn)確的動態(tài)和可靠的預(yù)測。例如,人們的歷史醫(yī)療記錄和遺傳信息可以收集來幫助醫(yī)院工作人員更好地診斷和檢測患者的健康狀況;從智能手機用戶收集的各種環(huán)境監(jiān)測數(shù)據(jù)可以使城市規(guī)劃更加高效,使人們的生活更加便利。美國加州大學(xué)伯利克利分校理論計算所主任莎菲·戈德瓦瑟是最年輕的圖靈獎得主,她表示,在大數(shù)據(jù)時代,人們尤其關(guān)注如何在保護數(shù)據(jù)隱私的情況下計算數(shù)據(jù)。然而,目前隱私問題在數(shù)據(jù)分析和收集方面仍然是一大障礙。以k-匿名模型為代表的基于分組的隱私保護模型,通過泛化、抑制的手段實現(xiàn)隱私保護的目的。但是,這些隱私模型容易受到來自攻擊者背景知識的攻擊,而且對隱私模型保護程度沒有進行量化分析。差分隱私保護模型通過在統(tǒng)計結(jié)果中注入隨機噪聲來解決上述問題,差分隱私正在迅速普及,因為它為具有任意背景信息的攻擊者提供嚴(yán)格的隱私保障。差分隱私保護模型的主要優(yōu)點在于不考慮攻擊者擁有多少背景知識都能提供隱私保護,同時給出隱私泄露風(fēng)險的定量化分析。在滿足差分隱私的同時如... 

【文章來源】：廣西師范大學(xué)廣西壯族自治區(qū)

【文章頁數(shù)】：54 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 研究背景與意義
    1.2 研究現(xiàn)狀與分析
    1.3 本文主要工作及創(chuàng)新
    1.4 本文組織結(jié)構(gòu)
第2章 差分隱私保護模型、粗糙集理論概述
    2.1 差分隱私保護模型
        2.1.1 差分隱私的定義
        2.1.2 差分隱私實現(xiàn)機制
        2.1.3 差分隱私的組合特性
    2.2 粗糙集理論
        2.2.1 粗糙集理論相關(guān)概念
        2.2.2 屬性依賴度
    2.3 統(tǒng)計查詢中的隱私問題
    2.4 本章小結(jié)
第3章 關(guān)聯(lián)數(shù)據(jù)中基于粗糙集分類的差分隱私保護方法
    3.1 關(guān)聯(lián)數(shù)據(jù)隱私保護問題描述
    3.2 基于粗糙集的屬性分類
        3.2.1 度量屬性相互之間的依賴程度
        3.2.2 對屬性進行分類
    3.3 基于信息熵的加噪機制
        3.3.1 敏感度分析
        3.3.2 基于信息熵的加噪方法
    3.4 基于粗糙集的差分隱私算法安全性分析
    3.5 本章小結(jié)
第4章 基于粗糙集理論的差分隱私保護方法設(shè)計與實現(xiàn)
    4.1 方案的總體設(shè)計和執(zhí)行步驟
        4.1.1 系統(tǒng)需求分析
        4.1.2 系統(tǒng)總體設(shè)計
    4.2 基于粗糙集的屬性分類算法
    4.3 基于信息熵的差分隱私加噪算法
    4.4 本章小結(jié)
第5章 系統(tǒng)環(huán)境與實驗分析
    5.1 系統(tǒng)環(huán)境與數(shù)據(jù)集描述
        5.1.1 系統(tǒng)環(huán)境設(shè)置
        5.1.2 實驗設(shè)計
        5.1.3 實驗過程描述
    5.2 實驗結(jié)果分析
        5.2.1 不同隱私參數(shù)下誤差隨查詢次數(shù)的變化
        5.2.2 不同隱私參數(shù)下隨機組合查詢的總誤差
        5.2.3 與其他隱私模型的對比
    5.3 本章小結(jié)
第6章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻
攻讀碩士學(xué)位期間的研究成果
致謝



本文編號：3640644