一种基于K-匿名聚类的可穿戴设备数据重发布方法

近年来,可穿戴设备被广泛地被应用于日常生活。用户量增加造成的可穿戴设备数据重发布是导致隐私泄漏的一个重要原因。为此,数据匿名化重发布方法受到了广泛关注。然而,现有的数据匿名化重发布方法存在两个方面的不足:一方面,现有的数据匿名化重发布算法可能会造成严重的信息损失或用户隐私数据的泄漏;另一方面,现有的数据匿名化重发布算法在兼顾保护用户隐私和减少信息损失的情况下会造成较高的发布成本。为了兼顾隐私安全和数据可用性,并且提高数据重发布算法的效率,结合可穿戴设备自身的特点,提出基于聚类的数据匿名化重发布算法,该算法直接对增量数据进行基于聚类匿名化操作,使数据匿名化重发布更为高效。此外,在数据量较大的应用场景中,基于聚类的数据匿名化重发布算法可以有效减少信息损失。实验结果表明,基于聚类的数据匿名化重发布算法能够在保证用户隐私安全的前提下减少信息的损失并且提高执行效率。

基于局部聚类和杂度增益的数据信息隐私保护方法探讨

近年来,隐私保护的数据挖掘已逐渐成为数据挖掘研究的热点。用户个人信息的隐私保护是其中的重要问题之一。针对已有隐私保护方法匿名效果不理想,信息损失程度高聚集查询精度低等不足,在"alpha,k"隐私保护模型基础上,结合局部聚类和杂度增益方法,本文尝试提出了一种改进原有方法的数据隐私保护方法"alpha+"。通过局部聚类和杂度增益这两种数据集处理方法代替原有数据概化过程,使得信息损失程度得以降低,最后对比两种方法所得到的匿名数据杂度值,得到一种数据匿名性更高的方法。