差分隐私的数据流关键模式挖掘方法

频繁模式挖掘是数据挖掘的重要任务之一,在数据流上挖掘简洁的关键模式比频繁模式更有优势,因为关键模式既可以避免频繁模式里包含的冗余信息以减少内存存储空间,又可以高效无损地提取频繁模式.但是由于相邻时间戳的统计信息可以作为背景知识增强攻击者的推理能力,所以从包含个人信息的数据流中挖掘关键模式比静态场景下更容易泄露隐私.分析指出了数据流关键模式挖掘的隐私泄露问题及原理,并提出了一种满足差分隐私的数据流关键模式挖掘算法DP-CPM,该算法在每个时间戳设计一种两阶段机制:差异计算阶段和噪音挖掘阶段.该机制既考虑了隐私和数据效用之间的权衡,又考虑了挖掘时间和维护开销之间的权衡.为了提高数据流中连续发布时的数据效用性,在第1阶段通过计算差异来决定当前时间戳是返回低噪音统计值还是精确的近似统计值.如果是返回低噪音统计值,算法进入噪音挖掘阶段.在噪音挖掘阶段,首先通过判断查询集筛选出关键模式候选集,然后通过给筛选出的候选集里的模式支持度加入服从拉普拉斯分布的随机噪音,得到最终的噪音支持度.最后,给出了严格的理论分析和大量的实验,表明DP-CPM算法的有效性和执行效率.

实施ERP的关键因素与成功模式

中国加入WTO后 ,国内企业纷纷把提高经营管理水平的目光投向了企业资源计划 (即ERP)的实施。然而由于实施ERP的整体效果并不十分理想 ,不少后继者们犹豫踌躇 ,不敢贸然前行。

洞庭湖湿地鸻鹬类水鸟的分布格局及关键影响因子

鸻鹬类是迁徙水鸟中的重要类群,其种群动态能够指示湿地生态系统的变化。但目前对影响内陆湿地鸻鹬类分布的关键环境变量尚不明确。本研究以洞庭湖为研究区域,基于物种—生境关系理论,利用2013/2014—2021/2022越冬期的水鸟调查和遥感反演数据,结合野外食源调查,通过最佳子集回归、广义线性模型和层次分割等方法,分析长喙长腿(LB-L)、长喙短腿(LB-S)和短喙(SB)鸻鹬类的分布,探究宏观生境变量和微观生境变量(底栖动物密度)对不同形态鸻鹬类分布的影响。结果表明,东洞庭湖是三种不同形态鸻鹬类分布的绝对优势分布区,LB-L鸻鹬类主要分布于东洞庭湖中的大小西湖和白湖,LB-S鸻鹬类主要分布在白湖,SB鸻鹬类在各核心区均有分布,且无显著差异。宏观层面上,浅水面积、人为干扰和水文连通性是影响LB-L鸻鹬类分布的关键环境变量,浅水面积是影响LB-S鸻鹬类分布的关键环境变量,人为干扰是影响SB鸻鹬类分布的关键环境变量。微观层面上,LB-L鸻鹬类的分布与不同微生境的底栖动物密度均高度相关,LB-S和SB鸻鹬类的分布仅与部分微生境的底栖动物密度相关。本研究完善了洞庭湖越冬水鸟生态学研究,对洞庭湖湿地生物多样性保护和湿地管理等方面具有重要指导作用。