基于事务分离的差分隐私频繁项集挖掘方法

频繁项集挖掘在加入差分隐私后将带来敏感度过高、噪声过大、数据可用性较差的问题。为了解决这些问题,提出了基于事务分离的差分隐私频繁项集挖掘方法。利用指数机制对事务最大限制长度进行筛选,将长事务分离成为多个短事务,以此降低全局敏感度并避免截断误差的产生。在数据挖掘过程中,采用Apriori算法挖掘频繁项集,利用双阈值进行项集判断以及修正支持度,减小传输误差的产生和噪音。实验结果表明,该方法满足差分隐私的要求,可有效提高数据可用性。

基于SOM网络的差分隐私保护研究

差分隐私模型具有强大的隐私保护能力,但是也存在数据效用低等问题。为提高数据可用性并保护数据隐私,提出一种基于SOM网络的差分隐私算法(SOMDP)。首先利用SOM网络模型对数据进行聚类操作;其次,对每个划分好的聚类添加满足差分隐私的拉普拉斯噪声;最后,理论分析算法的可行性,并在真实数据集上评估SOMDP算法性能、算法的数据可用性和隐私性能。实验结果表明,SOMDP在达到差分隐私要求的前提下,可较大程度地提高差分隐私数据发布的效用。

一种带隐私保护的基于标签的推荐算法研究

在基于标签的推荐中,标签起着联系用户和信息资源的作用。但由于存在语义特性,相较于评分数据,标签数据在一定程度上更能够直接反映用户喜好,隐私问题更为突出。推荐服务器收集用户的历史标签记录,一旦攻击者通过攻击推荐服务器而获得了用户信息,将造成严重的用户隐私泄露问题。对此,提出一种带有隐私保护的基于标签k-means聚类的资源推荐方法 CDP k-meansRA,即利用Crowds网络进行用户发送方匿名保护,并且将ε-差分隐私保护融入改进的标签k-means聚类算法中。通过实验将提出的CDP k-meansRA与k-meansRA等算法进行比较,证明了CDP k-meansRA能够在保护用户隐私的前提下,保证一定的推荐质量。