面向聚類分析的數(shù)據(jù)隱私保護(hù)方法研究.pdf

1、隨著大數(shù)據(jù)時(shí)代的到來，數(shù)據(jù)規(guī)模呈爆發(fā)式增長(zhǎng)，對(duì)數(shù)據(jù)存儲(chǔ)和挖掘技術(shù)提出了更高的需求。多來源的海量異構(gòu)數(shù)據(jù)以數(shù)據(jù)中心的方式存儲(chǔ)和集中式分析，已經(jīng)成為大數(shù)據(jù)處理的基本模式之一。然而，由此帶來的隱私泄露問題是制約其應(yīng)用的重要因素。聚類作為一種常用的數(shù)據(jù)挖掘方法，挖掘數(shù)據(jù)潛在價(jià)值的同時(shí)，面臨著數(shù)據(jù)隱私泄露的風(fēng)險(xiǎn)。因此，研究面向聚類分析的數(shù)據(jù)隱私保護(hù)方法具有重要的理論意義和實(shí)用價(jià)值。本文的研究?jī)?nèi)容主要包括以下兩個(gè)方面:
　　其一，針對(duì)隱私保護(hù)

2、聚類問題，本文提出了一種基于敏感屬性效用的細(xì)粒度數(shù)據(jù)隱藏算法，稱之為SFU-FDO算法。該算法首先基于信息嫡理論和K鄰域思想，定義了敏感屬性的類分布熵與鄰域分布熵;然后根據(jù)類分布熵與鄰域分布熵對(duì)敏感屬性的聚類效用進(jìn)行建模與分析，根據(jù)敏感屬性的聚類效用不同，采用混合隱藏策略實(shí)現(xiàn)數(shù)據(jù)隱藏。理論分析和對(duì)比實(shí)驗(yàn)結(jié)果表明，與現(xiàn)有的算法相比，SFU-FDO算法在保證數(shù)據(jù)隱私性的同時(shí)有效提高了聚類精度。
　　其二，針對(duì)數(shù)據(jù)隱藏操作可能導(dǎo)致敏感屬