一种基于粗糙集属性重要度和密度聚集的匿名化方法

基于微聚集技术的k-匿名化MDAV算法没有考虑数据属性的分布情况和数据属性重要性在聚类中的作用,易产生不合理的划分,从而对数据的保护程度与数据可用性之间关系带来影响。针对这个问题本文提出一种基于属性重要度和密度聚类的MDAV改进方法实现对数据集k-匿名化。首先采用基于密度聚类DENCLUE方法对数据表进行聚集成簇,然后对每个簇采用基于粗糙集属性重要度作为加权距离的权值来计算相似样本,实现对数据集的k-划分。与MDAV算法比较测试,所改进的方法改善了发布数据的可用性。

基于私有云的混合型大数据匿名化加密仿真

针对目前混合型大数据匿名安全方法的用户查询相似度偏低,导致匿名数据可用性不理想的问题,提出基于私有云的混合型大数据匿名化加密方法。设计混合型大数据平台架构,将物理服务器和私有云主机的大数据平台相混合,以提高其可扩展性能。利用信息损失指标对混合数据实现泛化处理。构建用户查询项模型,通过散度进行查询项的相似度运算,相似程度越高匿名数据可用性越高。聚类用户查询项模型,发布匿名化数据,保证私有云混合数据的安全。实验结果表明,所提方法能够提高混合数据的实用性,降低了密文的大小,节省大数据存储空间,且方法运行耗时更短。

一种新的基于敏感属性值划分的数据隐私保护算法

针对当前大部分隐私保护模型仍然无法较好地保护数据敏感属性的不足,本文基于以往建立的模型,开创性地针对敏感属性所具有的两类划分方法开展了深入探索,并且研究出了一种新的隐私保护模型,可以达到有效保护具有敏感属性值的类别和级别的数据发布,创建了以该两种划分方式为基础的等价类标签。实验结果表明,本文提出的数据隐私保护算法不仅能够使敏感值链接受到保护,而且能够较好地防止各个等价类的相似性泄露以及敏感程度的泄露现象发生。