基于识别率的多叉树森林k-匿名算法

【目的】提高k-匿名算法的效率和发布数据的质量,减小数据由匿名化带来的信息损失。【方法】基于识别率和多叉树森林,设计一种k-匿名算法(MFBRR),利用泛化树的性质对数据进行自底向上的遍历,计算出识别率,选择目标叶节点对树进行剪枝,以减少匿名化数据的信息损失。在此基础上,采用并行式计算和多线程处理,提出其改进算法MFBRR-γ,进一步提高了算法的效率。通过实验,使用层级准确率和运算时间对所提出的算法进行评价。【结果】使用Adult数据进行测试,MFBRR的层级准确率为0.97,MFBRR-γ(γ=30)的层级准确率为0.88。数据集规模为30000条,MFBRR耗时1457 min,MFBRR-γ耗时12.08 min(γ=100)。应用于健康医疗数据,取得了良好效果,MFBRR的层级准确率达到0.93。【局限】仅采用两种数据集进行研究,数据类型可能不全面。【结论】MFBRR及其改进算法MFBRR-γ,可以实现数据的k-匿名要求,同时减少匿名化带来的信息损失,可以提高数据发布的质量。

PPDM中面向k-匿名的MI Loss评估模型

隐私保护数据挖掘(PPDM)利用匿名化等方法使数据所有者在不泄露隐私信息的前提下,安全发布在数据挖掘中有效可用的数据集。k-匿名算法作为PPDM研究使用最广泛的算法之一,具有计算开销低、数据形变小、能抵御链接攻击等优点,但是在一些k-匿名算法研究中使用的数据可用性评估模型的权重设置不合理,导致算法选择的最优匿名数据集在后续的分类问题中分类准确率较低。提出一种使用互信息计算权重的互信息损失(MI Loss)评估模型。互信息反映变量间的关联关系,MI Loss评估模型根据准标识符和标签之间的互信息计算权重,并通过Loss公式得到各个准标识符的信息损失,将加权后的准标识符信息损失的和作为数据集的信息损失,以弥补评估模型的缺陷。实验结果证明,运用MI Loss评估模型指导k-匿名算法能够明显降低匿名数据集在后续分类中的可用性丢失,相较于Loss模型和Entropy Loss模型,该模型分类准确率提升了0.73%~3.00%。

基于数据隐私保护的(L,K,d)算法

在数据被发布共享时,既要保证数据的真实性和有用性,又要保障个体的隐私安全.对已提出的K-匿名算法和(P,K,d)匿名算法进行改进,并提出了一种新的(L,K,d)多样化匿名算法,它能够同时抵御关联攻击、同质攻击和背景知识攻击,既适用于单维敏感属性表又适用于多维敏感属性表.实验结果表明:(L,K,d)多样化匿名算法在提高了数据的隐私保护度的同时又保障了数据的可研究价值,具有一定的理论意义和实践意义.

基于移动P2P网络环境下的LBS隐私保护算法设计与实现

目前LBS隐私保护算法由于其面对连续攻击时体现出了脆弱性,所以无法得以广泛应用.针对该问题,提出了一种新的位置服务隐私保护方法,算法主要涉及环境为移动对等网络(移动P2P网络),在该网络环境下,构建隐私保护算法模型,以坐标为根本依据,优化位置服务器对用户隐私位置信息的获取,以此为基础对传统空间k-匿名算法进行优化.为验证所设计算法的有效性,进行了仿真实验.实验中,以算法应用用户的隐私安全性为评价指标,对比传统算法和优化的研究算法的性能.利用MATLAB平台输出实验结果,实验结果证明,与传统隐私位置保护算法相比,研究所设计的LBS隐私保护算法能够更好地保护用户位置信息,显示了该算法的优越性和有效性.

云计算隐私保护研究

云计算作为一种新的IT应用模式,数据安全和隐私保护对云计算的安全与普及至关重要,也是用户关注的一个焦点。K-匿名算法是目前数据发布环境下隐私保护的主要技术之一。文章分析了当前云计算在隐私保护方面存在的风险,提出了一种K-匿名算法在云计算中的应用方法,使得用户在向云服务提供商请求服务时可以隐藏个人敏感信息。