抵制近似攻擊的微數(shù)據發(fā)布隱私保護匿名模型及算法研究.pdf

1、信息領域存在大量與個體相關的數(shù)據，這些數(shù)據被稱為微數(shù)據。比如:醫(yī)療患者數(shù)據、人口普查數(shù)據、企業(yè)經營數(shù)據等。微數(shù)據對疾病研究、趨勢分析、市場分析等都具有重要作用，因此，很多機構都在收集和發(fā)布微數(shù)據。然而，微數(shù)據通常含有個體的隱私信息，它的共享與發(fā)布會對個體隱私造成威脅。在發(fā)布微數(shù)據時，如何有效地保護個體的隱私已成為信息安全領域和數(shù)據庫領域的研究熱點。至今，該領域相繼出現(xiàn)了很多研究成果，但是這些成果很少考慮到不同敏感值之間的語義相似度，不能

2、抵制近似攻擊。因而，為了更好地保護微數(shù)據中的個體的隱私信息，開展抵制近似攻擊的微數(shù)據隱私保護模型及算法的研究具有重要意義。本文從匿名化模型及其對應的算法兩個方面，對微數(shù)據發(fā)布中的相近性攻擊進行了研究并提出了相應的匿名模型和算法。主要內容包括：
　?、盘岢龅种品诸愋兔舾袑傩越乒舻模╧，ε）-匿名模型?，F(xiàn)有的匿名化方法，在匿名化分類型敏感屬性微數(shù)據上存在不足，不能很好地抵制近似攻擊。針對該問題，提出了可以抵制近似攻擊的(k,ε)-

3、匿名模型，可分為強（k,ε）-匿名模型和弱（k,ε）-匿名模型，該模型要求匿名數(shù)據中的每個等價類都是k-匿名的，對等價類中敏感值約束ε-相似程度不同。為實現(xiàn)(k,ε)-匿名模型，提出了(k,ε)-KACA算法。實驗結果表明，強（k,ε）-匿名模型和弱（k,ε）-匿名模型增強了敏感值的約束，提高了匿名數(shù)據抵制近似攻擊的能力，能夠更好地保護個人隱私信息。
　?、铺岢龅种平乒舻碾[私保護(l，e)-diversity模型?，F(xiàn)有的l-d

4、iversity模型沒有考慮到不同敏感值之間存在語義相似度，不能很好地抵制近似攻擊。為此，提出了可抵制近似攻擊的隱私保護匿名模型—(l，e)-diversity模型，該模型要求匿名數(shù)據中的每個等價類中至少有l(wèi)個良性表示，且任2個敏感屬性值不是e-相似的。最后，基于分解技術，提出了最大桶分組算法，實驗結果表明，(l，e)-diversity的匿名模型比l-diversity匿名模型具有更高的多樣度，能夠更好地抵制近似攻擊。
　?、翘?/p>

5、出了面向多敏感屬性近似攻擊的(l，e，m)-diversity匿名模型?，F(xiàn)有的數(shù)據隱私發(fā)布方法多是面向單維敏感屬性的。然而，在現(xiàn)實生活中，發(fā)布的數(shù)據往往包含多個敏感屬性。通常情況下，多維敏感屬性的數(shù)據發(fā)布也存在近似攻擊的問題。針對該問題，在前一個工作的基礎上，提出了(l，e，m)-多樣性模型，其中m為敏感屬性的個數(shù)，該模型要求匿名數(shù)據的每個等價類中，每一維上都滿足(l，e)-diversity匿名約束。同時也提出了實現(xiàn)（l，e,m）-多