基于信息負(fù)表示的數(shù)據(jù)發(fā)布方法研究.pdf

1、現(xiàn)有的關(guān)于數(shù)據(jù)發(fā)布的工作集中于如何在數(shù)據(jù)發(fā)布時隱藏個體信息，已提出的方法大部分都是“正發(fā)布”方法，即直接對原始數(shù)據(jù)進(jìn)行處理后發(fā)布，但其實(shí)這些方法發(fā)布的依然是“正”的數(shù)據(jù)。因此，這會使得攻擊者有可能通過特定的攻擊手段，如同質(zhì)化攻擊等，從發(fā)布表中獲取到用戶隱私，從而造成隱私泄露，給用戶利益帶來危害。由于負(fù)表示是將原始數(shù)據(jù)用其補(bǔ)集來表示，具有很強(qiáng)的隱私保護(hù)能力，因此本文將負(fù)表示思想引入到數(shù)據(jù)發(fā)布領(lǐng)域，提出了新的數(shù)據(jù)發(fā)布方法，即將每條記錄的敏感

2、屬性值使用其負(fù)表示的值進(jìn)行替換，發(fā)布帶有“負(fù)”的敏感屬性值的數(shù)據(jù)，從而提高現(xiàn)有方法的隱私保護(hù)度。
　　本文的工作主要集中在以下幾個方面:
　　(1)由于傳統(tǒng)數(shù)據(jù)發(fā)布的k-匿名模型發(fā)布的是帶“正”的敏感信息的發(fā)布（未處理原始數(shù)據(jù)的敏感信息），且k-匿名模型發(fā)布數(shù)據(jù)時未考慮到各個等價(jià)類中“正”敏感信息的分布，這些缺陷使得k-匿名容易受到同質(zhì)化攻擊等方式的攻擊，從而造成隱私泄露。因此，本文將負(fù)表示與k-匿名模型結(jié)合，提出了(k,m

3、)-anonNPD算法。該算法對k-匿名的發(fā)布數(shù)據(jù)進(jìn)行了負(fù)表示轉(zhuǎn)換，從而最終的發(fā)布數(shù)據(jù)在非敏感屬性上不可區(qū)分，同時對應(yīng)的敏感屬性值都是“負(fù)”的敏感屬性值，以此達(dá)到隱私保護(hù)的目的。本文通過理論分析和相關(guān)的實(shí)驗(yàn)，將本文提出的(k,m)-anonNPD算法與k-匿名進(jìn)行了比較，證明了(k, m)-anonNPD算法隱私保護(hù)能力比k-匿名更強(qiáng)，同時該算法也具有實(shí)用性。
　　(2)l-多樣性模型是基于k-匿名模型提出的，該模型對數(shù)據(jù)發(fā)布時等

4、價(jià)類中的敏感信息的分布做了處理，使得發(fā)布數(shù)據(jù)的每個等價(jià)類中至少包含l種不同敏感信息，克服了k-匿名發(fā)布時會出現(xiàn)的同等價(jià)類中的敏感信息的分布可能會比較集中的缺陷，但是l-多樣性發(fā)布的數(shù)據(jù)依然包含“正”的敏感屬性值。本文將負(fù)表示與l-多樣性模型結(jié)合，提出了(l，m)-divNPD算法。該算法在l-多樣性進(jìn)程中將原始數(shù)據(jù)進(jìn)行了負(fù)表示轉(zhuǎn)換，從而使得發(fā)布數(shù)據(jù)中的敏感信息都是“負(fù)”的敏感信息，且這些“負(fù)”的敏感信息具有更好的多樣性，提高了隱私保護(hù)能

5、力。本文通過理論分析和相關(guān)實(shí)驗(yàn)，將本文提出的(l，m)-divNPD算法與l-多樣性進(jìn)行了比較，證明了(l，m)-divNPD算法相比l-多樣性模型具有更強(qiáng)的隱私保護(hù)能力，同時也具有實(shí)用性。
　　(3)本文提出了兩種算法(k,m)-anonNPD算法和(l，m)-divNPD算法，這兩種算法都將對應(yīng)的傳統(tǒng)數(shù)據(jù)發(fā)布模型的發(fā)布效果做了一定的提升。但是，這兩種算法具有各自的特點(diǎn)，因此，本文針對提出的(k,m)-anonNPD算法和(l，