基于差分隱私的K-means聚類分析.pdf

1、數(shù)據(jù)挖掘能夠發(fā)現(xiàn)隱藏在海量數(shù)據(jù)背后的潛在模式以及規(guī)則，有利于我們更好的作出決策，被廣泛應(yīng)用于商業(yè)、科學(xué)研究以及醫(yī)學(xué)研究等領(lǐng)域，但是如果對(duì)數(shù)據(jù)挖掘利用不當(dāng)，可能會(huì)對(duì)隱私和信息安全構(gòu)成威脅，因此如何將隱私保護(hù)技術(shù)與數(shù)據(jù)挖掘結(jié)合，實(shí)現(xiàn)保證隱私安全前提下的數(shù)據(jù)挖掘成為數(shù)據(jù)挖掘領(lǐng)域的研究熱點(diǎn)之一。
　　早期的隱私保護(hù)模型如K-匿名及其擴(kuò)展模型，通常需要假設(shè)可能的攻擊模型，一旦出現(xiàn)新型攻擊，必須不斷改進(jìn)自身模型，而且無法對(duì)隱私保護(hù)水平進(jìn)行量化

2、分析，因此Dwork提出了的差分隱私隱私保護(hù)模型。差分隱私保護(hù)模型定義了一種更為嚴(yán)格的最大背景知識(shí)作為它的攻擊模型，以堅(jiān)實(shí)的數(shù)學(xué)理論為支撐，能夠通過參數(shù)ε量化隱私保護(hù)水平，彌補(bǔ)了傳統(tǒng)隱私保護(hù)的不足，且其添加的噪聲量大小與數(shù)據(jù)集無關(guān)，因此非常適合海量數(shù)據(jù)挖掘中的隱私保護(hù)。
　　傳統(tǒng)差分隱私保護(hù)K-means算法，對(duì)其初始中心點(diǎn)的選擇較為敏感，而且在聚簇個(gè)數(shù)七值的選擇上存在一定的盲目性，降低了聚類結(jié)果的可用性。因此，本文在差分隱私保護(hù)

3、K-means中引入Canopy算法，提出了融合Canopy的差分隱私保護(hù)K-Means算法，即DP Canopy K-means算法。DP Canopy K-means算法能有效避免七值盲目性和初始點(diǎn)敏感性，并且能減少其迭代次數(shù)，提高聚類結(jié)果的可用性，能夠應(yīng)用于數(shù)據(jù)挖掘中對(duì)原始數(shù)據(jù)隱私保護(hù)和聚類結(jié)果可用性有要求的場(chǎng)景中。
　　PINQ是最早為敏感數(shù)據(jù)查詢提供差分隱私保護(hù)的原型系統(tǒng)，本文基于PINQ平臺(tái)實(shí)現(xiàn)了DP Canopy K

4、-means算法和IDP K-means算法，并且比較這兩種算法在Magic和Blood數(shù)據(jù)集上運(yùn)行的聚類結(jié)果可用性。實(shí)驗(yàn)結(jié)果表明，在同樣的隱私保護(hù)水平下，DP Canopy K-means算法的聚類結(jié)果在準(zhǔn)確性上優(yōu)于IDP K-means算法，在收斂速度上DP Canopy K-means算法高于傳統(tǒng)DP K-means算法。
　　為了驗(yàn)證算法在實(shí)際應(yīng)用中的有效性，論文以組推薦系統(tǒng)為應(yīng)用場(chǎng)景，分析了組推薦系統(tǒng)中的隱私泄露問題，通