基于Laplace机制的加密流量特征集隐私保护方法

随着网络安全和隐私问题被广泛关注,越来越多的网络流量采用加密技术进行传输,加密流量分类对于网络监管起到了至关重要的作用。针对在加密流量分类过程中容易出现的用户隐私泄露等问题,提出一种基于Laplace机制的加密流量特征集隐私保护方法。该方法通过生成随机扰动间隔区间的方式,按照生成的区间多次变换扰动间隔对加密流量特征集标签栏进行一定程度的扰动,达到保护用户隐私信息的目的。最后在IS‐CXVPN-NonVPN数据集上进行验证,实验结果表明,在保证隐私的前提下,仍能较好地保证加密流量分类精确率,证明了提出方法的有效性和可用性。

基于OPTICS聚类的电力通信网跨层保护系统设计

电力通信网跨层传输数据时,受到噪声数据影响,导致跨层数据传输耗时长、电流畸变率高。为了保证跨层通信安全,设计基于密度的聚类算法(Ordering Points To Identify the Clustering Structure,OPTICS)的电力通信网跨层保护系统。构建并联有源电力滤波器安全保护电路,保证三相四线制限幅后具有良好谐波补偿效果。通过跨层控制主动切换模块,实现目标通信链路下达指令的主动切换。对电力通信网跨层数据进行OPTICS聚类处理,结合Laplace机制添加对称指数分布噪声,将Laplace噪声添加到聚类簇中,输出添加噪声后结果存储在输出队列中,完成通信网跨层保护。由系统测试结果可知,该系统传输耗时少,且在10 s测试时间内跨层电流畸变率仅为21%,能够起到保护通信网跨层传输的作用。

基于拉普拉斯机制的集成分类隐私保护研究

数字网络蓬勃发展,带来的信息泄漏已然造成数据危机。在隐私保护中,原始数据和模型都是隐私保护的对象,如何平衡其可用性和私密性一直是研究的重点。针对上述问题,文章提出了一种基于Laplace机制和XGboost特征筛选的集成分类隐私保护算法—Lap-XGIC。该算法利用XGboost筛选出对分类准确度最具影响的特征,在这些特征与集成分类系统中分别引入Laplace机制进行扰动,从而隐藏真实信息进行数据保护。实验表明,使用Laplace机制添加扰动噪声后集成分类系统仍然具有较高的分类准确性。

MapReduce框架下支持差分隐私保护的k-means聚类方法

针对传统隐私保护方法无法应对任意背景知识下恶意分析的问题,提出了分布式环境下满足差分隐私的k-means算法。该算法利用Map Reduce计算框架,由主任务控制k-means迭代执行;指派Mapper分任务独立并行计算各数据片中每条记录与聚类中心的距离并标记其属于的聚类;指派Reducer分任务计算同一聚类中的记录数量num和属性向量之和sum,并利用Laplace机制产生的噪声扰动num和sum,进而实现隐私保护。根据差分隐私的组合特性,从理论角度证明整个算法满足ε-差分隐私保护。实验结果证明了该方法在提高隐私性和时效性的情况下,保证了较好的可用性。

一种基于差分隐私的频繁有权子图挖掘算法

目前,在保护频繁子图数据的研究领域中,关于保护带有边权重的子图数据还没有被研究。针对这一问题,在频繁有权子图的挖掘过程中,采用差分隐私技术兼顾地保护频繁子图的边权重和结构的隐私,提出Diff-Wfsm算法。通过扩展已有挖掘算法,将图模型转换成编码形式,并将权重值考虑到编码中。为了更好地保护结构的隐私和提高数据效用性,在挖掘过程中同时采用差分隐私的Laplace机制和指数机制。实验在多个真实数据集中进行,结果表明该算法能在挖掘过程中达到隐私保护的效果,并可以保证输出的频繁有权子图具有较高的数据效用性。

基于差分隐私的健康医疗数据保护方案

针对健康医疗数据的高敏感性,需要隐私保护强度更高的隐私保护算法。传统隐私保护模型总是因为新型攻击方法的出现而需要不断改进,而差分隐私保护模型对隐私保护水平给出了严格的数学证明和量化评估方法,保证即使在最大背景知识假设下的个体隐私。针对健康医疗数据的数值型数据,提出基于Laplace机制的差分隐私保护方法,而对于非数值型数据,则利用基于指数机制的差分隐私保护方法,设置误差参数δ和满足误差的统计个数θ以进一步满足不同安全性和可用性的需求。对公开的健康医疗数据集进行实验分析,通过调整差分隐私保护参数ε来衡量隐私保护水平,通过实验结果给出不同类型的健康医疗数据的适当的参数取值。

差分隐私的查询一致性约束研究

针对差分隐私直方图发布中区间查询的不一致问题,研究已有需迭代调整的局部最优线性无偏估计算法LBLUE,提出一种不需迭代且满足一致性约束查询的CA算法。通过对1棵添加Laplace噪声的满k-叉区间树进行一致性调整:先利用TDICE算法进行自顶向下的不一致估计,再利用BUCE算法进行自底向上的一致性估计,得到满足一致性约束查询的差分隐私满k-叉区间树,遍历后发布满足一致性约束查询的直方图数据。经过证明和实验分析,一致性调整后的查询区间满足一致性约束查询,且精确度优于Boost-2算法和LBLUE算法的,同时算法的时间效率高于LBLUE算法的。

基于差分隐私的网络社交中的隐私保护

网络社交中数据传输便捷性、共享性,增加了隐私信息保护的困难性,差分隐私技术因能够低于攻击者全部背景知识,而备受关注。为此,文章针对非交互式的场景下,基于隐私保护及数据可用性的双重需求,针对数据的属性分类,分别引入Laplace机制及指数机制,通过噪声添加实现差分隐私保护;并基于数据可用性,利用改进的LWSPA查询结构序列的分割,降低向量温度,控制发布数据集的误差,以优化数据可用性,以此建构的差分隐私保护机制,能够实现隐私保护与数据可用的均衡发展。