一种面向分布式聚类的数据隐私保护方法研究

论文摘要

近年来,各行业的组织或机构都收集了海量的数据,并纷纷利用分布式聚类挖掘实现对这些数据的共享利用,进而更大程度的获取利益,然而挖掘的过程中必须保证隐私信息的安全性。因而提高分布式聚类的隐私保护数据扰动方法的性能,就成为了大家关注的焦点。通过对目前已有隐私保护数据扰动方法进行深入细致的研究后,发现隐私保护方法的核心是寻求隐私保护度和数据可用性之间的平衡,这是因为二者的关系很特殊,如果实现了隐私保护度的提高就必然会降低数据可用性,反之亦然。另外目前待处理的数据多为海量数据,如果数据扰动方法计算量过大,那么对数据的处理事件将让人无法忍受。针对于此,本文提出了一种基于中心对称的数据扰动方法—ST(Centro Symmetry Based Transformation),该算法主要有三个步骤,包括对称中心的概率分布参数及选择范围的确定,对称中心的生成及数据集的扰动,在保证数据可用性的基础上,尽可能的提高隐私保护度,降低计算量,并具备一定的抗攻击性。为了应对参与计算的组织相互串通窃取隐私信息的情况,本文提出了CST方法的改进型方法,通过牺牲一定的数据可用性提高了算法的抗攻击性。最后,本文通过实验对提出的算法进行验证,并对实验结果进行对比分析。结果表明CST算法及其改进型算法具有一定的优越性、实用性及应用价值,并讨论了今后进一步改进的方向。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 研究背景及目的
• 1.2 隐私保护数据挖掘的研究现状
• 1.3 论文的研究内容与组织结构
• 1.3.1 论文的研究内容
• 1.3.2 论文的组织结构
• 第2章 相关知识
• 2.1 引言
• 2.2 数据挖掘
• 2.2.1 数据挖掘概述
• 2.2.2 数据挖掘的流程
• 2.2.3 数据挖掘常用方法
• 2.2.4 数据挖掘的功能
• 2.2.5 数据挖掘研究前景
• 2.3 隐私保护数据挖掘概述
• 2.3.1 保护敏感信息的方法
• 2.3.2 保护敏感知识的方法
• 2.4 隐私保护聚类挖掘
• 2.5 分布式数据挖掘
• 2.6 数据扰动方法
• 2.6.1 加法型扰动
• 2.6.2 乘法型扰动
• 2.7 本章小结
• 第3章 基于中心对称的数据扰动方法
• 3.1 算法的提出
• 3.2 基本定义
• 3.3 方法流程
• 3.3.1 对称中心概率分布参数及取值范围的选取
• 3.3.2 对称中心的选取
• 3.3.3 中心对称变换
• 3.4 算法描述
• 3.5 算法可行性分析
• 3.6 算法评价
• 3.7 提高抗攻击能力的改进型方法
• 3.7.1 改进的原因
• 3.7.2 改进的方法流程
• 3.7.3 改进型算法的描述
• 3.7.4 改进型算法的抗攻击能力
• 3.8 本章小结
• 第4章 实验结果及分析
• 4.1 引言
• 4.2 实验环境
• 4.3 实验结果评价标准
• 4.4 实验设计与测试数据
• 4.5 实验结果及分析
• 4.6 本章小结
• 结论
• 参考文献
• 攻读硕士学位期间发表的论文和取得的科研成果
• 致谢