面向醫(yī)療信息的隱私保護研究.pdf

1、在大數(shù)據(jù)的環(huán)境下，數(shù)據(jù)安全與隱私問題一直備受關注。大量的數(shù)據(jù)中記錄了用戶方方面面的詳盡信息，這些數(shù)據(jù)中不僅包含了用戶的敏感信息，同時利用數(shù)據(jù)的分析和挖掘等技術，還能推測出用戶喜好、個人習慣等當前狀態(tài)，甚至可以預測用戶行為。這些信息的泄露都將會對個體造成無法估量的傷害。而醫(yī)療信息由于其特殊性，它的泄露必然會給個人及社會帶來更為嚴重的影響。
　　本文分析了現(xiàn)有隱私保護模型在疾病嚴重程度保護方面的不足，對疾病根據(jù)其嚴重程度進行了分級，疾

2、病越嚴重，表示其越敏感，并給出了對給定疾病根據(jù)其嚴重程度分級的方法。針對現(xiàn)有隱私保護模型容易引起敏感程度同質(zhì)攻擊的問題，提出了一個保護敏感值的同時對敏感級進行保護的模型-(k,ι1，ι2)-匿名模型。該模型在不破壞現(xiàn)有隱私保護模型對敏感值的保護能力的前提下，增加了對敏感級的保護，降低了攻擊者通過同質(zhì)攻擊獲得被攻擊者敏感級的概率。本文擴展了全局編碼算法 Incognito和自頂向下的局部重編碼算法 TDLRA，使其能用于實現(xiàn)(k,ι1，ι

3、2)-匿名模型，用實驗證明了該模型的可行性。針對敏感程度高的敏感級的泄露對個體帶來的影響，提出了一個對不同敏感級差別對待的隱私保護模型-(k,ι1，ι2，α)-匿名模型，該模型在不破壞上個模型對敏感值和敏感級的保護能力的前提下，通過限制各敏感級在等價組中出現(xiàn)的頻率，來達到隱私保護的目的。對敏感程度越高的敏感級，要求其在等價組中出現(xiàn)的頻率越低，以此來降低敏感程度高的敏感級的泄露概率，而敏感程度低的敏感級的泄露對數(shù)據(jù)擁有者不會造成很大的影響