用户终端隐私大数据交互式保护算法

用户终端隐私数据泄露,大量隐私信息被不法分子利用,导致用户隐私安全受到严重威胁。为了提高用户终端隐私数据的安全性,提出一种用户终端隐私大数据交互式保护算法。采用互补集合经验模态分解(Complementary Ensemble Empirical Mode Decomposition, CEEMD)算法结合小波阈值函数对用户终端隐私数据去噪处理,并通过启发式搜索算法和最大信息数建立特征选择模型,获取隐私数据的特征;采用差分隐私保护算法对隐私数据保护,通过K-means算法划分特征并计算敏感度,使用拉普拉斯机制将噪声加入敏感度较高的特征中,实现隐私数据的保护。实验结果表明,所提算法的数据隐私性强、可用性高,且对数据加密所用时间短。

融入结构先验知识的隐私信息抽取算法

随着数据脱敏技术的持续进步,精确识别隐私数据已成为关键挑战.目前,隐私信息抽取算法主要基于传统自然语言处理技术,如双向循环神经网络和基于注意力机制的预训练语言模型(如BERT).这些模型利用其强大的上下文特征表示能力,克服了传统方法在多义词表示方面的限制.然而,它们在精确判断实体边界方面仍有改进空间.提出了一种新颖的隐私信息抽取算法,该算法融合结构先验知识,通过一种隐私数据结构知识增强机制,提高模型对句子语义结构的理解,从而提高了隐私信息边界判断的准确性.此外,还在多个公开数据集上对模型进行评估,详细的实验结果展示了其有效性.

线云隐私攻击算法的并行加速研究

线云定位方法能保护场景隐私,但也存在被隐私攻击算法破解的风险。该攻击算法能从线云恢复近似点云,但其计算效率较低。针对该问题,提出了一种并行优化算法,并对其运行时间和加速比进行了分析。具体来说,分别采用SPMD模式和流水线模式实现了CPU多核并行和GPGPU并行。然后,进一步结合数据并行模式实现了异构计算,以达到最高的并行度。实验结果表明,并行优化算法加速比最大为15.11,最小为8.20;相比原算法,并行优化算法的还原点云相对误差控制在原误差的0.4%以内,保证了算法的精度。该研究对线云隐私攻击算法以及其他密度估计问题、不同场景下的线云隐私保护算法等有重要意义和参考价值。

5G网络环境下云计算数据差分隐私保护算法的研究

随着5G技术的广泛部署,云计算平台的发展为处理大量动态数据提供了可能,也带来了前所未有的隐私保护挑战。差分隐私作为一种高效的隐私保护技术,通过添加噪声来防止个人数据在发布的数据集中被识别,在应用中保证了数据的安全性和隐私性,这不仅要求算法需具备高效的数据处理能力,还需在动态的网络环境中保持其保护效能。文中系统地分析了5G网络环境下云计算数据的差分隐私保护需求,并提出了相应的算法优化策略和实施方法,通过实验设计和系统测试验证了所提算法的实际应用效果,为未来5G环境中的云计算隐私保护提供了理论与实践的参考。

隐私保护数据挖掘算法综述

如何保护私有信息或敏感知识在挖掘过程中不被泄露,同时能得到较为准确的挖掘结果,目前已经成为数据挖掘研究中的一个很有意义的研究课题。本文通过对当前隐私保护数据挖掘中具有代表性的算法按照数据分布对其中的数据更改方法、数据挖掘算法、数据或规则隐藏等进行了详细阐述,并对各自的优缺点进行了分析和比较,总结出了各种算法的特性。此外,通过对比提出了隐私保护数据挖掘算法的评价标准,即保密性、规则效能、算法复杂性、扩展性,以便在今后的研究中提出新的有效算法。

大数据环境下网络数据隐私保护算法研究

针对传统的数据隐私保护算法存在执行时间较长,隐匿率较高,适应性较差等问题,提出基于密度聚类的网络数据隐私保护算法,在大数据环境下,随机生成一个满足给定的大数据环境下网络隐私数据特征的变换函数,然后利用这个变换函数对原始的网络隐私数据的数值进行变换,并将变换后的数值作为随机化回答的结果;然后根据网络的特征对网络节点进行密度聚类分析,生成符合大小的任意形状的簇,通过量化网络隐私数据信息丢失量和网络隐私数据结构信息丢失量对隐私数据进行有效性分析;最后在成功生成的簇内插入真实网络节点,通过增加边等技术,完成对网络数据信息的隐私保护。仿真实验结果证明,所提算法具有较好的隐私保护效果,在对多种不同背景知识攻击的情况下,具有较好的适应效果.

基于本地化差分隐私的政务数据共享隐私保护算法研究

[目的/意义]为了合理化决策,通常一个政府部门会根据业务需求向其他部门共享某类数据,为本部门管理或服务决策提供辅助参考依据。数据共享在其中至关重要,但若在没有适当预防措施的情况下就共享政务数据,将容易造成隐私信息的泄露。[方法/过程]针对政府部门间共享统计数据的场景,提出一种基于本地化差分隐私的政务数据共享方法。该方法在算法Generalized randomized response(GRR)的基础上引入数据分箱思想,通过等宽分箱将数据记录分入更小的数据域范围内,以克服当前隐私保护算法在数据域较大且数据量较少时统计误差大的问题。[结果/结论]将所提算法与GRR算法在仿真数据集和真实数据集上均进行了对比分析,实验结果表明该算法可有效降低统计误差,并能在不同分布和数据域大小下保持其效用性。

基于差分隐私的K-means算法优化研究综述

差分隐私K-means算法(Differential Privacy K-means Algorithm,DP K-means)作为一种基于差分隐私技术的隐私保护数据挖掘(Privacy Preserving Data Mining,PPDM)模型,因简单高效且可保障数据的隐私而备受研究者的关注。文中首先阐述了差分隐私K-means算法的原理、隐私攻击模型,以分析算法的不足。然后从数据预处理、隐私预算分配、聚簇划分等3个角度讨论分析DP K-means算法改进研究的优缺点,并对研究中的相关数据集和通用评价指标进行了总结。最后指出DP K-means算法改进研究中亟待解决的挑战性问题,并展望了DP K-means算法的未来发展趋势。

基于区块链的隐私保护交集算法

隐私保护交集算法(Private Set Intersection,PSI)可以在保护参与双隐私的情况下实现数据交集部分的计算,是数据共享领域一种重要的应用场景。传统的PSI算法需要依赖不经意传输等较为复杂的密码算法,无法实现对大数据集合的有效计算。依赖云计算中心辅助的算法效率较高,但它的安全性依赖于对计算中心的信任。因此,提出了一种基于区块链的隐私保护交集算法BPSI,可避免对云计算中心信任的假设,同时提供较高的计算效率。

算法伦理研究:视角、框架和原则

智能算法正在重新界定我们的生活理念,改变我们的决策方式。从作为工具到作为规则、作为权力,算法的内涵越来越丰富,也带来了算法伦理观的差异。对算法伦理的哲学思考正在超越心身二元论、事实和价值分离的二元对立论。算法伦理的核心原则是算法人文主义,重视人的独特性、坚持以人为本,尊重丰富且复杂的人和人性,在算法应用中坚持和倡导社会的公平正义原则。

论隐私保护算法在P2P中的运用

随着社会的发展,信息时代已经迅速的来到了我们的身边,它悄悄地改变了我们的时代,让我们的生活发生着翻天覆地的变化。然而,我们在享受这些便利与科技时,也伴随而来一些问题,例如安全问题。这是现在科技带来的最明显的一个问题,有许多人因为个人信息被泄露,所以他的财产而受到了威胁。这就是因为一些别有用心的人他们利用技术的漏洞去盗取别人的信息从而利用他们的这些信息盗取他们的钱财或者其他重要的东西。这就是科技带来的弊端,我们最常见的有P2P,它虽然给整个社会带来了很大的发展,但是当他的信息泄露后被一些人利用的话,那么它的后果将会是无法估计的。对此,科技也进行了一些措施去降低这个风险。文章就从P2P的发展及意义对其的隐私保护算法做出详细的解释,并对隐私保护算法在P2P中的运用作出一定的说明。

5G环境下移动用户位置隐私保护方法研究

为解决5G环境下高频次位置服务(location based service,LBS)带来的位置隐私暴露问题,分析了5G环境下移动用户位置隐私泄露风险,梳理了已有隐私保护技术,并对3类常见方法进行分析对比,针对5G环境下位置隐私保护面临的新挑战,提出了一种适合5G环境的隐私保护方法,即融合定位隐私保护方法.该方法通过降维初步处理、融合隐私算法及传输加密方法,在不提升复杂度的情况下,处理了从定位维度选择、定位中间过程乃至传输全链路的风险.仿真分析结果表明,该方法能在混合场景下实现高效的隐私保护,适用于5G超密集高频次位置服务.

基于联盟链的电子健康记录隐私保护和共享

医院正在逐渐采用电子健康记录(EHR)的方式去记录患者的医疗信息。然而,医疗数据的隐私性和EHR标准的差异化阻碍了医疗数据在病人和医院之间的共享。因此,针对隐私信息泄露和难于共享的问题,提出了一个基于联盟链的隐私保护数据共享模型。此外,基于匿名算法提出了(p,α,k)匿名隐私算法,能够解决EHR隐私信息泄露的问题。通过理论分析和实验证明,提出的基于联盟链和(p,α,k)隐私匿名算法模型能够在保护数据隐私的前提下,实现病人和医院之间的数据安全共享。对比前人的模型,该模型具有所需节点少、减少主链压力、容错性强和病人对EHR完全控制等优势。

差分隐私数据保护技术分析

数字化信息资源的广泛产生、联接、共享和应用为社会生产、生活提供极大便利的同时,也给个体敏感信息的安全带来了威胁。本文针对数据发布和分析环境下的隐私安全问题,研究了保护隐私的数据发布与分析算法,使其能够提供更高准确性和可用性结果的同时,确保个体的敏感信息不被泄露。

基于Skyline计算的社交网络关系数据隐私保护

随着社交软件的流行,越来越多的人加入社交网络产生了大量有价值的信息,其中也包含了许多敏感隐私信息。不同的用户有不同的隐私需求,因此需要不同级别的隐私保护。社交网络中用户隐私泄露等级受社交网络图结构和用户自身威胁等级等诸多因素的影响。针对社交网络数据的个性化隐私保护问题及用户隐私泄露等级评价问题,提出基于Skyline计算的个性化差分隐私保护策略(PDPS)用以发布社交网络关系数据。首先构建用户的属性向量;接着采用基于Skyline计算的方法评定用户的隐私泄露等级,并根据该等级对用户数据集进行分割;然后应用采样机制来实现个性化差分隐私,并对整合后的数据添加噪声;最后对处理后数据进行安全性和实用性的分析并发布数据。在真实数据集上与传统的个性化差分隐私方法(PDP)对比,验证了PDPS算法的隐私保护质量和数据的可用性都优于PDP算法。

基于差分隐私保护的电子病历数据安全风险监测系统

为了解决现有电子病历数据安全风险监测系统数据处理能力较差,处理结果可信度较低的问题,本文提出基于差分隐私保护的电子病历数据安全风险监测系统的优化方法研究。构建系统测试,测试结果表明:优化后的系统使用效果得到明显提升,其对电子病历数据安全风险监测的能力更优于传统系统。

基于隐私保护的数据挖掘研究

随着网络安全问题受到越来越多的关注,在数据挖掘中做好隐私保护已成为当前的研究热点。如何在挖掘过程中不泄露私有信息或敏感数据,同时能得到比较准确的挖掘效果,是数据挖掘研究中的一个热点课题。本文从数据分布方式结合挖掘算法对当前几种关键的隐私保护方法进行分析,并给出算法的评估,最后提出隐私保护数据挖掘方法的未来研究方向。

边缘智能协同计算模式下的隐私保护系统

智慧医疗背景下,隐私安全问题以及针对可控疾病的安全医疗预测与诊断至关重要。提出一种能够高效率地诊断可控疾病并对个人隐私数据和深度学习模型进行保护的基于边缘计算的安全医疗诊断系统。主要采用CNN卷积神经网络对医学图像数据进行处理,并在联邦学习Flower框架下将模型训练在中间服务器上,数据信息保留在本地客户端,结合差分隐私梯度下降算法保护个人敏感数据,最后使用可追踪的环签名技术在每个客户端签名,以此保护深度学习模型。在Kaggle数据库中已标注处理的原始淋巴切片细胞图片数据集上进行验证,系统准确率达到91.90%。

一种基于主成分分析的稀疏数据模式分类隐私保护算法

模式分类过程涉及到对原始训练样本的学习,容易导致用户隐私的泄露。为了避免模式分类过程中的隐私泄露,同时又不影响模式分类算法的性能,提出一种基于主成分分析(PCA)的模式分类隐私保护算法。该算法利用PCA提取原始训练数据的主成分,并将原始训练样本集合转化为主成分的新样本集合,然后利用新样本集合进行分类学习。选用Adult数据集和KDD CUP 99数据集进行仿真实验,并采用正确率和召回率进行性能评价,结果表明,该隐私保护算法通过PCA提取原始数据特征属性的主成分,可避免原始属性的泄露,同时PCA在一定程度上可实现去噪,从而使分类器的分类性能优于原始数据集的分类性能。与已有算法比较,该隐私保护算法具有更好的模式分类精度和隐私保护性能。

基于联盟链的药品溯源系统概述

近年来,随着科技的发展区块链技术已广泛应用于市场。在我国,2016年2月国家食品药品监督管理总局叫停药品电子监管系统,并以溯源系统取代之后,大量研究者对药品溯源系统进行了不断探索完善。目前我国主要的药品溯源系统包括企业自建以及第三方平台溯源两种,本文针对基于联盟链的药品溯源系统在机构之间进行交易时易出现隐私泄露、难于共享等问题,结合加密哈希算法、共识机制身份认证算法等已有数据保护算法,以及放射源溯源存储模型(BCSM)、电子健康记录(EHR)提出新的数据共享模型。