一种改进的基于差分隐私的k-means聚类算法

聚类分析是数据挖掘和机器学习的一个重要分支,应用范围广,但在聚类分析过程中大量敏感信息的泄露对用户构成威胁。因此,在聚类分析过程中实现隐私保护至关重要。传统基于差分隐私(DP)的k-means聚类算法由于存在盲目选择初始中心点、对异常点敏感度较高等问题,导致在保护数据隐私时,出现聚类可用性较低的情况。针对该问题提出一种改进的基于差分隐私保护的(IDP)k-means聚类算法以提高聚类可用性,并进行理论分析和对比实验。理论分析表明,该算法满足ε-差分隐私;仿真实验结果表明,在同一隐私预算下,k-means算法改进后在聚类可用性上优于其它差分隐私k-means聚类算法,在同一数据集与同一隐私参数下,改进k-means算法在数据可用性方面比传统算法提高了将近5个百分点。

基于分块预测的差值直方图平移的可逆水印算法

提出一种基于分块的预测差值直方图平移的可逆水印算法。在保持图像视觉效果的前提下,简化了算法步骤,嵌入和提取水印前,不需要进行复杂的预处理,只需要进行分块即可。算法首先把图像划分成4×4的图像块,然后每4个像素为一组,选取1个像素和它周边的3个像素,使用周边3个像素生成预测值,使用预测值与选取的像素进行比较,产生差值,差值进行向下取整,一个图像块内生成4个差值。然后生成差值直方图,选取0值点作为判断标准,差值为0可以嵌入水印。实验表明,该算法不仅可以实现可逆水印,而且水印不可见性较好,实验简单易行,嵌入水印后图像的PSNR高,图像视觉效果好。

基于区间区域的位置隐私保护方法

现有的k-匿名位置隐私保护机制通过检索历史请求记录来构造匿名位置集,而检索需要花销大量的时间。针对这一问题,运用Geohash编码快速检索的优越性,提出了基于区间区域的位置隐私保护方法。将用户的真实位置泛化到区间区域中,根据Geohash编码原理来检索相同编码的位置作为候选位置集,再根据用户的隐私需求,为用户提供个性化的k-匿名隐私保护服务。仿真实验表明,在相同大小的检索范围内,该方法不仅可以快速地进行匿名处理,还能够给用户提供更加高效安全的位置服务。