隨著互聯(lián)網(wǎng)技術的發(fā)展,便捷的網(wǎng)上購物和個性化的新聞推薦逐漸成為人們日常生活中不可或缺的一部分。在享受這些服務的同時,大量用戶的信息數(shù)據(jù)被不斷收集、使用和發(fā)布。一方面企業(yè)和機構通過這些數(shù)據(jù)可以更加全面的了解用戶,另一方面這些發(fā)布的數(shù)據(jù)可能會泄漏用戶的隱私信息,因此在數(shù)據(jù)發(fā)布前需要對其進行匿名化處理,避免用戶的敏感信息被泄露。后隨機響應是隱私保護數(shù)據(jù)發(fā)布的有效方法之一,這方面的研究工作主要考慮如何設計擾動矩陣,且假設數(shù)據(jù)集屬性變量之間的關系是獨立或者完全相關。由于假設數(shù)據(jù)集屬性完全獨立會導致它們之間的關系由于擾動而破壞,從而使數(shù)據(jù)效用下降;假設屬性完全相關會導致數(shù)據(jù)列聯(lián)表稀疏,計算復雜度過大。為解決該問題,本文提出局部差分隱私約束的擾動數(shù)據(jù)發(fā)布算法,主要研究敏感屬性與部分準標識符屬性存在依賴關系時,如何有效減小重構攻擊導致的隱私泄漏風險。首先,本文按照準標識符屬性與敏感屬性之間的依賴度對準標識符屬性進行劃分,用互信息理論尋找原始數(shù)據(jù)集中對敏感屬性具有強依賴關系的準標識符屬性,為精確擾動數(shù)據(jù)屬性提供理論依據(jù);其次,針對關聯(lián)屬性和非關聯(lián)屬性,應用不變后隨機響應方法分別對某個數(shù)據(jù)屬性或者屬性之間的...

【文章頁數(shù)】：64 頁

【學位級別】：碩士

【部分圖文】：

圖２．１收集數(shù)據(jù)并進行隱私化處理發(fā)布流程??Ｆｉｇ２．１?Ｃｏｌｌｅｃｔｓ?ｄａｔａ?ａｎｄ?ｐｅｒｆｏｒｍｓ?ｐｒｉｖａｃｙ?ｐｒｏｃｅｓｓｉｎｇ?ｒｅｌｅａｓｅ?ｐｒｏｃｅｓｓ??

圖２．１收集數(shù)據(jù)并進行隱私化處理發(fā)布流程??Ｆｉｇ２．１?Ｃｏｌｌｅｃｔｓ?ｄａｔａ?ａｎｄ?ｐｅｒｆｏｒｍｓ?ｐｒｉｖａｃｙ?ｐｒｏｃｅｓｓｉｎｇ?ｒｅｌｅａｓｅ?ｐｒｏｃｅｓｓ??隱私保護數(shù)據(jù)發(fā)布總體過程如圖２．１所示，數(shù)據(jù)發(fā)布旨在向公眾分享數(shù)據(jù)或一??些通過數(shù)據(jù)查詢結果，假....

圖３．１隨機算法Ｋ在鄰近數(shù)據(jù)集輸出概率??Ｆｉｇ３．１?Ｐｒｏｂａｂｉｌｉｔｙ?ｏｆ?ｒａｎｄｏｍ?ａｌｇｏｒｉｔｈｍ?Ｋ?ｉｎ?ａｄｊａｃｅｎｔ?ｄａｔａ?ｓｅｔｓ??

Ｐｒ［Ｋ（Ｄ，）?ｅ?Ｓ］?＜?ｅｘｐ（＾）?ｘ?Ｐｒ［Ｋ（Ｄ２）?ｅ?Ｓ］?（３－１）??則稱算法Ｋ滿足ｅ－差分隱私保護要求，其中ｅ稱為隱私保護預算。如圖３．１所??示，通過對輸出結果的隨機化來提供差分隱私保護。??“概率??Ｋ（Ｄｉ）?Ｋ（Ｄ２）?輸出值??圖３．１隨機算法Ｋ....

圖３．２?Ｌａｐｌａｃｅ概率密度函數(shù)??Ｆｉｇ３．２?Ｌａｐｌａｃｅ?ｐｒｏｂａｂｉｌｉｔｙ?ｄｅｎｓｉｔｙ?ｆｕｎｃｔｉｏｎ??

Ｐｒ［Ｋ（Ｄ，）?ｅ?Ｓ］?＜?ｅｘｐ（＾）?ｘ?Ｐｒ［Ｋ（Ｄ２）?ｅ?Ｓ］?（３－１）??則稱算法Ｋ滿足ｅ－差分隱私保護要求，其中ｅ稱為隱私保護預算。如圖３．１所??示，通過對輸出結果的隨機化來提供差分隱私保護。??“概率??Ｋ（Ｄｉ）?Ｋ（Ｄ２）?輸出值??圖３．１隨機算法Ｋ....

圖４．１隨機響應總體框架??Ｆｉｇ４．１?Ｒａｎｄｏｍ?ｒｅｓｐｏｎｓｅ?ｏｖｅｒａｌｌ?ｆｒａｍｅｗｏｒｋ??

通過產生具有己知誤分類概率的錯誤分類變量來保護回答者的隱私信息，其中錯??誤分類概率是己知的，正是這種錯誤分類保護了個人的隱私。隨機響應的總體方案??由圖４．１給出。??被調査者?調査者??數(shù)據(jù)采集?的真實答案?隨機響應觀察到的答案??用戶?擾動后數(shù)據(jù)??圖４．１隨機響應總體框架....

本文編號：4019228