集值數(shù)據(jù)發(fā)布中的自適應(yīng)匿名方法研究.pdf

1、網(wǎng)絡(luò)信息技術(shù)的迅猛發(fā)展和電子商務(wù)的崛起使得各行各業(yè)收集和存儲(chǔ)了海量的數(shù)據(jù)資源。而集值數(shù)據(jù)作為信息資源中的一種主要數(shù)據(jù)類型，它是一系列元素的集合并與單個(gè)個(gè)體相關(guān)聯(lián)。常見(jiàn)的有web日志信息、網(wǎng)購(gòu)記錄或者商場(chǎng)購(gòu)物數(shù)據(jù)等。由于數(shù)據(jù)分析需求，不同機(jī)構(gòu)、部門或企業(yè)之間會(huì)進(jìn)行數(shù)據(jù)共享，將這些數(shù)據(jù)提供給數(shù)據(jù)研究者進(jìn)行科學(xué)分析，從海量的數(shù)據(jù)中發(fā)掘出潛在的、有價(jià)值的知識(shí)。例如，數(shù)據(jù)挖掘者通過(guò)對(duì)客戶消費(fèi)記錄數(shù)據(jù)的分析，能夠很容易地挖掘出一些關(guān)聯(lián)規(guī)則，探測(cè)出客

2、戶某些行為模式等，然后給客戶提供更好的服務(wù)。但是這些數(shù)據(jù)中往往包含著個(gè)體的隱私信息，直接發(fā)布它們會(huì)造成用戶的隱私泄露，給人們的生活帶來(lái)巨大的困擾，在這些數(shù)據(jù)發(fā)布之前，對(duì)之進(jìn)行匿名處理是十分必要的。集值數(shù)據(jù)稀疏、高維度、海量的特點(diǎn)決定了數(shù)據(jù)匿名的難度，雖然集值數(shù)據(jù)的匿名研究受到了學(xué)術(shù)界的廣泛關(guān)注并取得了一定的研究成果，但是大多的思想都是借鑒于傳統(tǒng)的關(guān)系型數(shù)據(jù)發(fā)布策略。集值數(shù)據(jù)的這些特點(diǎn)使得直接使用現(xiàn)有的匿名技術(shù)，如k-匿名和差分隱私等，導(dǎo)

3、致巨大的信息損失。
　　為了在保護(hù)個(gè)體隱私的同時(shí)，提高數(shù)據(jù)的實(shí)用性。本文深入地研究了關(guān)系數(shù)據(jù)與集值數(shù)據(jù)的現(xiàn)有匿名技術(shù)，并將其進(jìn)行了對(duì)比，找出了集值數(shù)據(jù)匿名發(fā)布過(guò)程中的依然存在的不足。針對(duì)這些不足，本文提出了一種基于數(shù)據(jù)自身分布的敏感度自適應(yīng)隱私保護(hù)模型，并通過(guò)部分抑制策略進(jìn)行匿名處理。
　　首先，本文分析了集值數(shù)據(jù)與關(guān)系型數(shù)據(jù)各自的特征，詳細(xì)介紹了攻擊者常采用的攻擊模型，包括背景知識(shí)攻擊、鏈接攻擊、同質(zhì)攻擊和偏態(tài)攻擊。針對(duì)這

4、些攻擊模型，對(duì)通常采用分組的k-匿名系列模型、針對(duì)統(tǒng)計(jì)添加噪聲的差分隱私模型和基于關(guān)聯(lián)規(guī)則的ρ-不確定性模型等進(jìn)行了闡述。k-匿名系列模型在數(shù)據(jù)處理的過(guò)程中對(duì)分組的大小有著嚴(yán)格的下限要求，分組大小不得小于k，缺少了分組的靈活性;差分隱私模型無(wú)視攻擊者背景知識(shí)，強(qiáng)調(diào)單個(gè)個(gè)體對(duì)整個(gè)數(shù)據(jù)集的影響不大，數(shù)據(jù)的隱私程度可以完全由發(fā)布者來(lái)控制，是一種比較強(qiáng)的隱私模型，更多的應(yīng)用于統(tǒng)計(jì)結(jié)果的噪聲添加;ρ-不確定性模型相比k-匿名更為靈活，對(duì)分組大小沒(méi)

5、有限制。然而，這些隱私模型都沒(méi)有考慮數(shù)據(jù)本身的分布情況，若對(duì)數(shù)據(jù)根據(jù)預(yù)設(shè)的條件進(jìn)行隱私約束限制，將造成隱私的過(guò)度保護(hù)，帶來(lái)信息損失。
　　其次，針對(duì)集值數(shù)據(jù)發(fā)布存在的不足，本文綜合考慮敏感值概率分布和部分抑制策略，根據(jù)敏感值的分布情況自適應(yīng)地生成該值對(duì)應(yīng)的敏感度，然后引入了一個(gè)調(diào)諧因子對(duì)敏感度進(jìn)行微調(diào)。獲取各個(gè)敏感值的敏感度之后，本文提出了一種基于敏感度自適應(yīng)的SAPP-匿名模型。隨后，采取部分抑制的方法按照指定的敏感值抑制選擇策

6、略對(duì)數(shù)據(jù)進(jìn)行匿名處理，直到滿足隱私約束條件。匿名處理方法采用頻繁項(xiàng)目集挖掘算法找出所有違反隱私的項(xiàng)目集模式，應(yīng)用貪心策略按照頻繁項(xiàng)集長(zhǎng)度升序地將頻繁項(xiàng)目集從違反集中刪除，然后將敏感值從包含該頻繁項(xiàng)目集的事務(wù)數(shù)據(jù)組中刪除，實(shí)現(xiàn)局部抑制，當(dāng)違反集為空時(shí)，結(jié)束算法。
　　最后，本文使用真實(shí)的數(shù)據(jù)集對(duì)模型進(jìn)行了實(shí)驗(yàn)評(píng)估。為了提高效率和擴(kuò)展性，采用分布式的Hadoop系統(tǒng)對(duì)SAPP模型進(jìn)行了代碼實(shí)現(xiàn)，并通過(guò)Apriori啟發(fā)式挖掘算法進(jìn)行頻