面向分類挖掘的差分隱私保護(hù)方法研究.pdf

1、大數(shù)據(jù)時(shí)代推動(dòng)了數(shù)據(jù)挖掘的發(fā)展，在金融、醫(yī)療、電信和電商行業(yè)，數(shù)據(jù)挖掘的大量應(yīng)用使服務(wù)商能夠提供給人們更優(yōu)質(zhì)服務(wù)。但在人們將大量的數(shù)據(jù)上傳給服務(wù)商的同時(shí)，也將隱私保護(hù)主動(dòng)權(quán)交了出去。隱私的泄漏不僅威脅到個(gè)人和企業(yè)的財(cái)產(chǎn)安全，甚至?xí)绊懮鐣?huì)的穩(wěn)定。面對(duì)日趨嚴(yán)峻的隱私安全形勢(shì)，研究數(shù)據(jù)挖掘中的隱私保護(hù)方法，防止數(shù)據(jù)挖掘的過程中隱私信息泄漏已經(jīng)成為數(shù)據(jù)挖掘領(lǐng)域的熱點(diǎn)。
　　數(shù)據(jù)挖掘的分類方法通過建造分類模型對(duì)未知數(shù)據(jù)樣本進(jìn)行篩選分類。在

2、分類挖掘的差分隱私保護(hù)方法研究中，差分隱私預(yù)算ε的設(shè)置和分配一直是該領(lǐng)域的難點(diǎn)：如果隱私預(yù)算設(shè)置的不夠大，迭代次數(shù)的不確定性會(huì)導(dǎo)致隱私預(yù)算過早耗盡，難以保證隱私保護(hù)的實(shí)現(xiàn)；如果隱私預(yù)算設(shè)置的過大，導(dǎo)致加入的噪聲過大影響了數(shù)據(jù)集的可用性，會(huì)降低挖掘模型的準(zhǔn)確率。在以上背景下，本文研究面向分類挖掘的差分隱私保護(hù)方法，本文主要的工作如下：
　　(1)比較了當(dāng)前主流的隱私保護(hù)技術(shù)，根據(jù)它們各自的技術(shù)特點(diǎn)分析其優(yōu)缺點(diǎn)；根據(jù)差分隱私的定義和相

3、關(guān)性質(zhì)，研究如何在分類挖掘方法中實(shí)現(xiàn)隱私保護(hù)。
　　(2)總結(jié)差分隱私保護(hù)方法在分類挖掘中的幾種重要應(yīng)用，分析當(dāng)前分類挖掘的隱私保護(hù)方法中存在的問題。
　　(3)在現(xiàn)有決策樹構(gòu)建方法的基礎(chǔ)上，針對(duì)差分隱私指數(shù)機(jī)制效率低的問題，本文提出一種改進(jìn)的基于差分隱私的決策樹構(gòu)建方法，利用屬性約簡(jiǎn)的方法來剔除數(shù)據(jù)集中部分冗余屬性，通過離散化算法來對(duì)連續(xù)屬性離散化，所有屬性一同參加指數(shù)機(jī)制的篩選。進(jìn)行實(shí)驗(yàn)，根據(jù)結(jié)果來驗(yàn)證方法的有效性。

4、r>　　(4)針對(duì)現(xiàn)有推薦系統(tǒng)的推薦方法在隱私保護(hù)和推薦結(jié)果方面的不足之處，本文提出一種基于差分隱私的個(gè)性化推薦方法，通過貝葉斯網(wǎng)絡(luò)結(jié)點(diǎn)的屬性權(quán)重值來優(yōu)化噪聲的加入，并引入校驗(yàn)數(shù)據(jù)集對(duì)協(xié)同過濾推薦結(jié)果進(jìn)行檢驗(yàn)。通過實(shí)驗(yàn)來驗(yàn)證本方法的有效性。
　　本文的主要?jiǎng)?chuàng)新點(diǎn)包括：
　　(1)提出一種改進(jìn)的基于差分隱私的決策樹構(gòu)建方法，在數(shù)據(jù)集預(yù)處理階段引入屬性約簡(jiǎn)技術(shù)，降低了冗余屬性對(duì)分類準(zhǔn)確率的影響，提高了分類準(zhǔn)確率，并改進(jìn)了選取細(xì)分