基于KL-散度的电力用电数据自动脱敏算法研究

电力数据中包含一些隐私数据,一旦泄漏,就会对个人隐私安全造成隐患。为保证电力数据的安全性,提出了基于KL-散度设计电力用电数据自动脱敏算法。基于KL-散度算法建立敏感数据过滤模型,计算不同变量数据的KL距离,得到其相似性指标,对用户项目评分进行平滑处理,将具备相似性的敏感数据分成不同的批次。敏感数据去身份化处理,将数据匿名转换,计算用户真实路径被泄露的概率。设计数据自动脱敏算法,分别计算概念化数据、元组信息以及信息流的损失程度,以此判定脱敏后的数据是否可用。检验脱敏前后数据一致性,三类电力用电数据的变化率分别为0.43%、0.14%和0.11%,远远小于标准值。且算法在运行过程中单位时间处理数据量和平均延迟时间也较为理想,可见该脱敏算法具备实用性。

基于平滑聚类的差分隐私数据自动脱敏仿真

传统隐私数据保护方法忽略了采取最小准则调整隐私预判,导致保护隐私数据效率低、精准低等问题,提出基于平滑聚类的差分隐私数据自动脱敏方法。对数据采取平滑聚类计算,将不确定数据点重新还原固定信息,并划分到合适的簇。构建差分隐私模型,通过差分隐私机制引入噪声,将干扰后的数据重组后传送给用户,降低敏感数据外泄几率。使用基于BIRCH的差分隐私数据自动脱敏方法,采取最小准则调整隐私预判,对发布的CF树进行加噪。根据计算所得的节点搜索概率,对节点使用隐私预判分配。同时运用线性回归与迭代解决方法中存在的不一致约束性问题,实现数据自动脱敏。仿真结果表明,所提方法能高效地保护隐私数据,保护数据信息稳定性强,且实用性较高。

基于人工智能的用电负荷自动脱敏系统设计

随着大数据时代的发展,电力公司的用电负荷等数据的安全性无法得到保证。可依托人工智能的先进技术进行用电负荷的自动脱敏,因此提出了基于人工智能的用电负荷自动脱敏系统。首先进行系统硬件设计,设计基于人工智能数据采集器和以太网控制芯片,然后进行系统软件设计,将实现用电负荷自动脱敏分为身份认证和数据脱敏两个步骤。测试验证该系统的脱敏精度符合要求。

基于卷积神经网络的敏感数据自动脱敏方法

当前,敏感数据自动脱敏时数据信息损失率较大,为此,提出基于卷积神经网络的敏感数据自动脱敏方法。按照标志符属性、准标志符属性和敏感属性对原始数据属性进行划分,并对敏感数据字段进行生成和分段处理,利用卷积神经网络技术对分段处理后的数据进行分析,计算敏感数据字段关联性值,利用设计的脱敏规则对关联性较强的字段进行映射、隐匿、偏移和截断等脱敏处理,以此完成基于卷积神经网络的敏感数据自动脱敏。经实验证明,应用设计方法数据信息损失率更小,在敏感数据自动脱敏方面具有较高的可行性和可靠性。

基于对称算法的网络通信数据自动脱敏系统设计

传统的网络通信数据自动脱敏系统在不同时间段下,发送不同长度数据的传输速率过慢,为解决这一问题,提出基于对称算法的网络通信数据自动脱敏系统设计。系统硬件由TMS320F28335控制核心、ADC采样和DM9000太网控制芯片组成,主要负责访问网络通信数据。系统软件引入对称算法,设计用户API。在此基础上,设计接口模块、用户权限管理模块和脱敏规则管理模块。软、硬件结合,完成基于对称算法的网络通信数据自动脱敏系统的设计。最后,在实验中,测试系统性能。实验结果表明,所建系统在不同时间段下,发送不同长度数据的传输速率为7.55 m/s,已达到项目要求,传统的网络通信数据自动脱敏系统传输速率为5.69 m/s,未达到项目要求。由此,说明所建系统相比传统系统性能更优。

基于隐私风险评估的脱敏算法自适应方法

金融行业业务处理中含大量的敏感数据。金融业务的快速发展导致数据种类激增,目前绑定待脱敏金融数据以及脱敏算法的方式效率较低,依靠安全专家经验对脱敏数据进行人工检查与风险评估耗时长。脱敏算法的选择不当导致脱敏处理后的金融数据存在潜在隐私泄露风险。国内外研究大多侧重脱敏方法的实现和隐私保护技术,极少从自动化角度对脱敏算法进行研究。为提高脱敏效率和隐私保护透明度,通过梳理现有隐私保护技术特点、业务场景对数据质量需求、金融机构对安全风险要求、数据属性等因素,搭建自适应选择脱敏策略推荐框架,建立通用隐私风险和数据质量双目标评估函数,基于多决策因素体系和脱敏效果评估,实现脱敏算法和参数的自适应选择。相较于传统数据脱敏方式,所提方法能有效解决人工干预带来的脱敏数据可用性差和个人数据隐私保护性不足等问题,在多类金融机构数据测试集实验下,所提方法推荐准确率达到95%以上,脱敏后的隐私风险非常接近预期隐私风险水平,差距小于10%,推荐效率相较于专家人工处理时间提升100倍。