OPTICS(Ordering Points To Identify the Clustering Structure)是一种在机器学习领域中发挥重要作用的密度聚类算法.随着外包聚类服务的发展和用户隐私保护意识的日益提高,OPTICS需要对密文数据提供聚类支持,进而保证用户数据的隐私性...OPTICS(Ordering Points To Identify the Clustering Structure)是一种在机器学习领域中发挥重要作用的密度聚类算法.随着外包聚类服务的发展和用户隐私保护意识的日益提高,OPTICS需要对密文数据提供聚类支持,进而保证用户数据的隐私性.为此,利用全同态加密(Fully Homomorphic Encryption,FHE)技术构建了面向密文数据的OPTICS聚类模型(OPTICS Clustering Model over Encrypted Data,OPTICS-CMED),该模型是一个包括客户端与服务器的两方外包密文数据聚类模型.首先,给出了模型的实体描述和形式化定义.设计了OPTICS-CMED的通信协议,包括距离计算协议和排序协议.基于上述通信协议,给出了OPTICS-CMED的聚类过程.对模型的正确性、安全性分别进行了分析,并利用FCPS标准数据集进行性能测试,结果表明该模型能够在保证聚类正确性和安全性的前提下实现密文数据聚类,解决了聚类过程中的用户数据隐私保护问题.展开更多
文摘OPTICS(Ordering Points To Identify the Clustering Structure)是一种在机器学习领域中发挥重要作用的密度聚类算法.随着外包聚类服务的发展和用户隐私保护意识的日益提高,OPTICS需要对密文数据提供聚类支持,进而保证用户数据的隐私性.为此,利用全同态加密(Fully Homomorphic Encryption,FHE)技术构建了面向密文数据的OPTICS聚类模型(OPTICS Clustering Model over Encrypted Data,OPTICS-CMED),该模型是一个包括客户端与服务器的两方外包密文数据聚类模型.首先,给出了模型的实体描述和形式化定义.设计了OPTICS-CMED的通信协议,包括距离计算协议和排序协议.基于上述通信协议,给出了OPTICS-CMED的聚类过程.对模型的正确性、安全性分别进行了分析,并利用FCPS标准数据集进行性能测试,结果表明该模型能够在保证聚类正确性和安全性的前提下实现密文数据聚类,解决了聚类过程中的用户数据隐私保护问题.
