基于隨機(jī)擾動的隱私保護(hù)方案研究.pdf

1、隨著大數(shù)據(jù)技術(shù)的不斷發(fā)展，隱私保護(hù)已經(jīng)成為數(shù)據(jù)挖掘中的一個重要問題。因此，在進(jìn)行數(shù)據(jù)挖掘的過程中必須考慮和防止隱私數(shù)據(jù)的泄露。傳統(tǒng)的數(shù)據(jù)挖據(jù)技術(shù)都假定數(shù)據(jù)集是可以直接獲取的，而這個假設(shè)通常都與隱私數(shù)據(jù)的特征不符。事實(shí)上，由于隱私保護(hù)的需要，使用者所得到的數(shù)據(jù)都是經(jīng)過隱私處理后的發(fā)布數(shù)據(jù)?；谝陨峡紤]，就需要在數(shù)據(jù)的精確值未知的情況下進(jìn)行數(shù)據(jù)挖掘工作。本文圍繞集中式數(shù)據(jù)的隱私保護(hù)技術(shù)進(jìn)行研究，主要完成了以下幾項工作:
　　1、本文分

2、析和總結(jié)了常見的PPDM算法，從數(shù)據(jù)集合的分布、數(shù)據(jù)挖掘方法和采用的隱私保護(hù)方法等角度對現(xiàn)有的數(shù)據(jù)挖掘隱私保護(hù)技術(shù)進(jìn)行了分類，同時，在此基礎(chǔ)上詳細(xì)的闡述了各類方法的實(shí)現(xiàn)過程。最后，從算法的有效性、復(fù)雜性和可擴(kuò)展性等視角分析了各種隱私保護(hù)算法的優(yōu)缺點(diǎn)。
　　2、本文研究了基于DDPD的數(shù)據(jù)挖掘隱私保護(hù)方案。針對分類問題的數(shù)據(jù)匹配方法，提出了基于重要屬性的樣本相關(guān)性排序算法。本方案保證了發(fā)布數(shù)據(jù)集和原始數(shù)據(jù)集在樣本相關(guān)性上的一致性。算

3、法在實(shí)現(xiàn)的過程中，綜合使用了順序覆蓋算法的兩種規(guī)則增長方式，降低了規(guī)則的泛化誤差;分析了屬性集合中的各個屬性對數(shù)據(jù)挖掘的影響程度，提取了對分類有重要作用的屬性;同時，定義了一個加權(quán)相關(guān)系數(shù)來衡量樣本之間的關(guān)聯(lián)，提高了相似性檢測的準(zhǔn)確率。在最后的方案分析中，將方案由分類問題推廣到了其他的數(shù)據(jù)挖掘應(yīng)用中。
　　3、針對樸素貝葉斯分類問題，本文提出了一種基于LRDP的隱私保護(hù)方案。與TRDP算法不同的是，該方案在隱私保護(hù)時并不是對數(shù)據(jù)實(shí)