CN107563204A - 一种匿名数据的隐私泄露风险评估方法 - Google Patents
一种匿名数据的隐私泄露风险评估方法 Download PDFInfo
- Publication number
- CN107563204A CN107563204A CN201710736300.XA CN201710736300A CN107563204A CN 107563204 A CN107563204 A CN 107563204A CN 201710736300 A CN201710736300 A CN 201710736300A CN 107563204 A CN107563204 A CN 107563204A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- assessed
- data set
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种匿名数据的隐私泄露风险评估方法,包括以下步骤:1)从待评估数据集中获取被评估数据的数量、被抑制数据的数量、匿名化程度、待评估数据集的L‑多样性、待评估数据集的T‑相近性及HIPAA标识符;2)计算被评估数据集在检察官攻击模型、新闻工作者攻击模型及营销人员攻击模型攻击下处于风险中的记录数目、最大风险及平均风险;3)获取待评估数据集中具有1‑多样性记录的总和,该方法实现对匿名数据隐私泄露风险进行评估。
Description
技术领域
本发明属于密码学技术领域,涉及一种匿名数据的隐私泄露风险评估方法。
背景技术
信息技术的飞速发展使得各类数据的发布、采集、存储和分析变得方便快捷。例如,医院电子病例记录病人基本信息、疾病信息及药品购买记录;人口普查记录市民的家庭住址、收入情况以及犯罪记录;金融业务服务会记录客户私有信息及其交易行为等。而这些数据的收集和发布直接给个人隐私带来威胁。一方面,如果数据拥有者直接发布隐含着敏感信息的技术,而不采用适当数据保护技术,将可能造成个人敏感信息的泄露。例如,医院发布病人医疗信息。另一方面,对发布后的数据进行分析也给数据的隐私带来了威胁。例如,采用数据挖掘和机器学习技术对医疗病例信息和搜索日志进行挖掘,可以获得病人所患何种疾病以及用户搜索的行为模式等敏感信息。隐私保护技术可以解决数据发布和数据分析带来的隐私威胁问题。如何发布和分析而又不泄露隐私信息是隐私保护技术的主要目的。
为了发布风险小且信息损失量小的数据集,我们就需要在发布匿名数据集之前对其进行评估,若评估后的匿名数据集满足用户要求且不易泄露隐私信息,那么就可以发布匿名数据集了。为此,因此需要制作一种匿名数据的隐私泄露风险评估放,以评估出匿名数据的隐私泄露风险。
发明内容
本发明的目的在于克服上述现有技术的缺点,提供了一种匿名数据的隐私泄露风险评估方法,该方法实现对匿名数据隐私泄露风险进行评估。
为达到上述目的,本发明所述的匿名数据的隐私泄露风险评估方法包括以下步骤:
1)从待评估数据集中获取被评估数据的数量、被抑制数据的数量、匿名化程度、待评估数据集的L-多样性、待评估数据集的T-相近性及HIPAA标识符;
2)计算被评估数据集在检察官攻击模型、新闻工作者攻击模型及营销人员攻击模型攻击下处于风险中的记录数目、最大风险及平均风险;
3)获取待评估数据集中具有1-多样性记录的总和,完成匿名数据的隐私泄露风险评估。
构建excel表格,将第一组待评估数据集加载到excel表格中,其中,excel表格中每列的第一行记录有该列的属性,每列中的其他行记录被抑制的数据及没有被抑制的数据,其中,被抑制的数据通过*表示,没有被抑制的数据位于被抑制的数据的前方,被抑制数据的数量为Q-N-1,其中,Q为该列的总行数,N为记录有*的行数。
遍历excel表格中所有列的第一行,将第一行中记录有准标识符的列记作准标识符的列,遍历所有准标识符的列,查看记录内容相同的相邻行的数量,选取最小记录内容相同的相邻行的数量作为该excel表的匿名化程度,同时根据所有记录内容相同的相邻行的数量构建数组list,其中,list=[value1,value2,value3…];
根据数组list生成数组list’=[0,value1,value2,value3…],则第一个等价类的第一行为1+list’[0],第一个等价类的最后一行为1+list’[0]+list’[1]-1;下一个等价类的第一行为上一个等价类的第一行加上list’[1]的结果,下一个等价类的最后一行为上一个等价类的第一行加上list’[2]的结果,得各等价类的值。
获取待评估数据集的L-多样性及待评估数据集的T-相近性的具体操作为:
1a)构建空白的数组list1及数组list2,选取任意一个等价类作为待检测等价类;
2a)判断数组list1中是否存在待检测等价类中属性为敏感的内容,当数组list1中不存在待检测等价类中属性为敏感的内容时,则待检测等价类中属性的内容添加到数组list1中并清空list1;
3a)将数组list1的大小记作该待检测等价类的L值,然后将待检测等价类的L值存储到数组list2中;
4a)从剩余等价类中任意选取一个等价类作为待检测等价类,然后转至步骤2a),直至遍历所有等价类为止,得数组list2;
5a)选取数组list2中的最小值作为待评估数据集的L-多样性,并将数组list2中的最大值作为待评估数据集的T-相近性。
步骤2)的具体操作为:
将第二组待评估数据集加载到excel表格中,查看第一组待评估数据集与第二组待评估数据集的绝对路径是否相同;
当第一组待评估数据集与第二组待评估数据集的绝对路径相同时,则第一组待评估数据集在检察官攻击模型、新闻工作者攻击模型及营销人员攻击模型攻击下处于风险中的记录数目Ra为:
其中,n为记录的个数,fj为第j个等价类的大小,θj=1/fj,当θj大于阈值τ时,I(·)的值为1;当θj小于等于阈值τ时,I(·)的值为0;
当第一组待评估数据集与第二组待评估数据集的绝对路径相同时,第一组被评估数据集在检察官攻击模型、新闻工作者攻击模型及营销人员攻击模型攻击下处于风险中的最大风险Rb及平均风险Rc分别为:
当第一组待评估数据集与第二组待评估数据集的绝对路径不相同时,第一组待评估数据集在新闻工作者攻击模型攻击下处于风险中的记录数目JRa为:
其中,Fj为遍历人口数据集中与取样数据集中每个等价类的记录内容相同的记录总和;
当第一组待评估数据集与第二组待评估数据集的绝对路径不相同时,第一组待评估数据集在新闻工作者攻击模型攻击下处于风险中的最大风险JRb及平均风险JRc分别为:
当第一组待评估数据集与第二组待评估数据集的绝对路径不相同时,第一组待评估数据集在营销人员攻击模型攻击下处于风险中的平均风险mRc为:
还包括:
1b)查找数组list中的最小值K;
2b)将数组list中K前面的所有数值求和后再依次加2,3…K,再将相加所得结果作为第一个存在最大风险的等价类的行号,然后将第一个存在最大风险的等价类的行号存储于数组list3中;
3b)查找数组list中剩余数值中的最小值作为新的K,再转至步骤2b),直至遍历数组list中的所有数值为止,得数组list3,然后再显示数组list3。
步骤3)的具体操作为:查找list2中的所有数值1,再将数组list2中的所有数值1对应于数组list中的数值进行求和,并将求和的结果作为待评估数据集中具有1-多样性记录的总和。
本发明具有以下有益效果:
本发明所述的匿名数据的隐私泄露风险评估方法在具体操作时,通过获取被评估数据的匿名化程度、待评估数据集的L-多样性、待评估数据集的T-相近性及HIPAA标识符,并获取被评估数据集在攻击模型攻击下处于风险中的记录数目、最大风险及平均风险,同时获取待评估数据集中具有1-多样性记录的总和,以实现对匿名数据的隐私泄露风险评估,操作简单,方便,可以从风险方面评估匿名数据的质量,以判断匿名数据是否满足发布条件。
进一步,被抑制的数据通过*表示,没有被抑制的数据位于被抑制的数据的前方,从而保护个人隐私。
具体实施方式
下面结合实施例对本发明做进一步详细描述:
本发明所述的匿名数据的隐私泄露风险评估方法包括以下步骤:
1)从待评估数据集中获取被评估数据的数量、被抑制数据的数量、匿名化程度、待评估数据集的L-多样性、待评估数据集的T-相近性及HIPAA标识符;
2)计算被评估数据集在检察官攻击模型、新闻工作者攻击模型及营销人员攻击模型攻击下处于风险中的记录数目、最大风险及平均风险;
3)获取待评估数据集中具有1-多样性记录的总和。
构建excel表格,将第一组待评估数据集加载到excel表格中,其中,excel表格中每列的第一行记录有该列的属性,每列中的其他行记录被抑制的数据及没有被抑制的数据,其中,被抑制的数据通过*表示,没有被抑制的数据位于被抑制的数据的前方,被抑制数据的数量为Q-N-1,其中,Q为该列的总行数,N为记录有*的行数。
遍历excel表格中所有列的第一行,将第一行中记录有准标识符的列记作准标识符的列,遍历所有准标识符的列,查看记录内容相同的相邻行的数量,选取最小记录内容相同的相邻行的数量作为该excel表的匿名化程度,同时根据所有记录内容相同的相邻行的数量构建数组list,其中,list=[value1,value2,value3…];
根据数组list生成数组list’=[0,value1,value2,value3…],则第一个等价类的第一行为1+list’[0],第一个等价类的最后一行为1+list’[0]+list’[1]-1;下一个等价类的第一行为上一个等价类的第一行加上list’[1]的结果,下一个等价类的最后一行为上一个等价类的第一行加上list’[2]的结果,得各等价类的值。
步骤1)中获取待评估数据集的L-多样性及待评估数据集的T-相近性的具体操作为:
1a)构建空白的数组list1及数组list2,选取任意一个等价类作为待检测等价类;
2a)判断数组list1中是否存在待检测等价类中属性为敏感的内容,当数组list1中不存在待检测等价类中属性为敏感的内容时,则待检测等价类中属性的内容添加到数组list1中并清空list1;
3a)将数组list1的大小记作该待检测等价类的L值,然后将待检测等价类的L值存储到数组list2中;
4a)从剩余等价类中任意选取一个等价类作为待检测等价类,然后转至步骤2a),直至遍历所有等价类为止,得数组list2;
5a)选取数组list2中的最小值作为待评估数据集的L-多样性,并将数组list2中的最大值作为待评估数据集的T-相近性。
步骤2)的具体操作为:
将第二组待评估数据集加载到excel表格中,查看第一组待评估数据集与第二组待评估数据集的绝对路径是否相同;
当第一组待评估数据集与第二组待评估数据集的绝对路径相同时,则第一组待评估数据集在检察官攻击模型、新闻工作者攻击模型及营销人员攻击模型攻击下处于风险中的记录数目Ra为:
其中,n为记录的个数,fj为第j个等价类的大小,θj=1/fj,当θj大于阈值τ时,I(·)的值为1;当θj小于等于阈值τ时,I(·)的值为0;
当第一组待评估数据集与第二组待评估数据集的绝对路径相同时,第一组被评估数据集在检察官攻击模型、新闻工作者攻击模型及营销人员攻击模型攻击下处于风险中的最大风险Rb及平均风险Rc分别为:
当第一组待评估数据集与第二组待评估数据集的绝对路径不相同时,第一组待评估数据集在新闻工作者攻击模型攻击下处于风险中的记录数目JRa为:
其中,Fj为遍历人口数据集中与取样数据集中每个等价类的记录内容相同的记录总和;
当第一组待评估数据集与第二组待评估数据集的绝对路径不相同时,第一组待评估数据集在新闻工作者攻击模型攻击下处于风险中的最大风险JRb及平均风险JRc分别为:
当第一组待评估数据集与第二组待评估数据集的绝对路径不相同时,第一组待评估数据集在营销人员攻击模型攻击下处于风险中的平均风险mRc为:
本发明还包括:
1b)查找数组list中的最小值K;
2b)将数组list中K前面的所有数值求和后再依次加2,3…K,再将相加所得结果作为第一个存在最大风险的等价类的行号,然后将第一个存在最大风险的等价类的行号存储于数组list3中;
3b)查找数组list中剩余数值中的最小值作为新的K,再转至步骤2b),直至遍历数组list中的所有数值为止,得数组list3,然后再显示数组list3。
步骤3)的具体操作为:查找list2中的所有数值1,再将数组list2中的所有数值1对应于数组list中的数值进行求和,并将求和的结果作为待评估数据集中具有1-多样性记录的总和。
Claims (7)
1.一种匿名数据的隐私泄露风险评估方法,其特征在于,包括以下步骤:
1)从待评估数据集中获取被评估数据的数量、被抑制数据的数量、匿名化程度、待评估数据集的L-多样性、待评估数据集的T-相近性及HIPAA标识符;
2)计算被评估数据集在检察官攻击模型、新闻工作者攻击模型及营销人员攻击模型攻击下处于风险中的记录数目、最大风险及平均风险;
3)获取待评估数据集中具有1-多样性记录的总和,完成匿名数据的隐私泄露风险评估。
2.根据权利要求1所述的匿名数据的隐私泄露风险评估方法,其特征在于,构建excel表格,将第一组待评估数据集加载到excel表格中,其中,excel表格中每列的第一行记录有该列的属性,每列中的其他行记录被抑制的数据及没有被抑制的数据,其中,被抑制的数据通过*表示,没有被抑制的数据位于被抑制的数据的前方,被抑制数据的数量为Q-N-1,其中,Q为该列的总行数,N为记录有*的行数。
3.根据权利要求2所述的匿名数据的隐私泄露风险评估方法,其特征在于,遍历excel表格中所有列的第一行,将第一行中记录有准标识符的列记作准标识符的列,遍历所有准标识符的列,查看记录内容相同的相邻行的数量,选取最小记录内容相同的相邻行的数量作为该excel表的匿名化程度,同时根据所有记录内容相同的相邻行的数量构建数组list,其中,list=[value1,value2,value3…];
根据数组list生成数组list’=[0,value1,value2,value3…],则第一个等价类的第一行为1+list’[0],第一个等价类的最后一行为1+list’[0]+list’[1]-1;下一个等价类的第一行为上一个等价类的第一行加上list’[1]的结果,下一个等价类的最后一行为上一个等价类的第一行加上list’[2]的结果,得各等价类的值。
4.根据权利要求2所述的匿名数据的隐私泄露风险评估方法,其特征在于,获取待评估数据集的L-多样性及待评估数据集的T-相近性的具体操作为:
1a)构建空白的数组list1及数组list2,选取任意一个等价类作为待检测等价类;
2a)判断数组list1中是否存在待检测等价类中属性为敏感的内容,当数组list1中不存在待检测等价类中属性为敏感的内容时,则待检测等价类中属性的内容添加到数组list1中;
3a)将数组list1的大小记作该待检测等价类的L值,然后将待检测等价类的L值存储到数组list2中并清空list1;
4a)从剩余等价类中任意选取一个等价类作为待检测等价类,然后转至步骤2a),直至遍历所有等价类为止,得数组list2;
5a)选取数组list2中的最小值作为待评估数据集的L-多样性,并将数组list2中的最大值作为待评估数据集的T-相近性。
5.根据权利要求1所述的匿名数据的隐私泄露风险评估方法,其特征在于,步骤2)的具体操作为:
将第二组待评估数据集加载到excel表格中,查看第一组待评估数据集与第二组待评估数据集的绝对路径是否相同;
当第一组待评估数据集与第二组待评估数据集的绝对路径相同时,则第一组待评估数据集在检察官攻击模型、新闻工作者攻击模型及营销人员攻击模型攻击下处于风险中的记录数目Ra为:
<mrow>
<msub>
<mi>R</mi>
<mi>a</mi>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>n</mi>
</mfrac>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>&Element;</mo>
<mi>J</mi>
</mrow>
</munder>
<msub>
<mi>f</mi>
<mi>j</mi>
</msub>
<mo>&times;</mo>
<mi>I</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>&theta;</mi>
<mi>j</mi>
</msub>
<mo>></mo>
<mi>&tau;</mi>
<mo>)</mo>
</mrow>
</mrow>
其中,n为记录的个数,fj为第j个等价类的大小,θj=1/fj,当θj大于阈值τ时,I(·)的值为1;当θj小于等于阈值τ时,I(·)的值为0;
当第一组待评估数据集与第二组待评估数据集的绝对路径相同时,第一组被评估数据集在检察官攻击模型、新闻工作者攻击模型及营销人员攻击模型攻击下处于风险中的最大风险Rb及平均风险Rc分别为:
<mrow>
<msub>
<mi>R</mi>
<mi>b</mi>
</msub>
<mo>=</mo>
<munder>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
<mrow>
<mi>j</mi>
<mo>&Element;</mo>
<mi>J</mi>
</mrow>
</munder>
<mrow>
<mo>(</mo>
<msub>
<mi>&theta;</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>R</mi>
<mi>c</mi>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>n</mi>
</mfrac>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>&Element;</mo>
<mi>J</mi>
</mrow>
</munder>
<msub>
<mi>f</mi>
<mi>j</mi>
</msub>
<msub>
<mi>&theta;</mi>
<mi>j</mi>
</msub>
</mrow>
当第一组待评估数据集与第二组待评估数据集的绝对路径不相同时,第一组待评估数据集在新闻工作者攻击模型攻击下处于风险中的记录数目JRa为:
<mrow>
<msub>
<mmultiscripts>
<mi>R</mi>
<mi>J</mi>
</mmultiscripts>
<mi>a</mi>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>n</mi>
</mfrac>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>&Element;</mo>
<mi>J</mi>
</mrow>
</munder>
<msub>
<mi>f</mi>
<mi>j</mi>
</msub>
<mo>&times;</mo>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mn>1</mn>
<msub>
<mi>F</mi>
<mi>j</mi>
</msub>
</mfrac>
<mo>></mo>
<mi>&tau;</mi>
<mo>)</mo>
</mrow>
</mrow>
其中,Fj为遍历人口数据集中与取样数据集中每个等价类的记录内容相同的记录总和;
当第一组待评估数据集与第二组待评估数据集的绝对路径不相同时,第一组待评估数据集在新闻工作者攻击模型攻击下处于风险中的最大风险JRb及平均风险JRc分别为:
<mrow>
<msub>
<mmultiscripts>
<mi>R</mi>
<mi>J</mi>
</mmultiscripts>
<mi>b</mi>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<munder>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
<mrow>
<mi>j</mi>
<mo>&Element;</mo>
<mi>J</mi>
</mrow>
</munder>
<mrow>
<mo>(</mo>
<msub>
<mi>F</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
<mrow>
<msub>
<mmultiscripts>
<mi>R</mi>
<mi>J</mi>
</mmultiscripts>
<mi>c</mi>
</msub>
<mo>=</mo>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mo>|</mo>
<mi>J</mi>
<mo>|</mo>
</mrow>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>&Element;</mo>
<mi>J</mi>
</mrow>
</munder>
<msub>
<mi>F</mi>
<mi>j</mi>
</msub>
</mrow>
</mfrac>
<mo>,</mo>
<mfrac>
<mn>1</mn>
<mi>n</mi>
</mfrac>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>&Element;</mo>
<mi>J</mi>
</mrow>
</munder>
<mfrac>
<msub>
<mi>f</mi>
<mi>j</mi>
</msub>
<msub>
<mi>F</mi>
<mi>j</mi>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
当第一组待评估数据集与第二组待评估数据集的绝对路径不相同时,第一组待评估数据集在营销人员攻击模型攻击下处于风险中的平均风险mRc为:
<mrow>
<msub>
<mmultiscripts>
<mi>R</mi>
<mi>m</mi>
</mmultiscripts>
<mi>c</mi>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>n</mi>
</mfrac>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>&Element;</mo>
<mi>J</mi>
</mrow>
</munder>
<mfrac>
<msub>
<mi>f</mi>
<mi>j</mi>
</msub>
<msub>
<mi>F</mi>
<mi>j</mi>
</msub>
</mfrac>
<mo>.</mo>
</mrow>
6.根据权利要求4所述的匿名数据的隐私泄露风险评估方法,其特征在于,还包括:
1b)查找数组list中的最小值K;
2b)将数组list中K前面的所有数值求和后再依次加2,3…K,再将相加所得结果作为第一个存在最大风险的等价类的行号,然后将第一个存在最大风险的等价类的行号存储于数组list3中;
3b)查找数组list中剩余数值中的最小值作为新的K,再转至步骤2b),直至遍历数组list中的所有数值为止,得数组list3,然后再显示数组list3。
7.根据权利要求4所述的匿名数据的隐私泄露风险评估方法,其特征在于,步骤3)的具体操作为:查找list2中的所有数值1,再将数组list2中的所有数值1对应于数组list中的数值进行求和,并将求和的结果作为待评估数据集中具有1-多样性记录的总和。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710736300.XA CN107563204B (zh) | 2017-08-24 | 2017-08-24 | 一种匿名数据的隐私泄露风险评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710736300.XA CN107563204B (zh) | 2017-08-24 | 2017-08-24 | 一种匿名数据的隐私泄露风险评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107563204A true CN107563204A (zh) | 2018-01-09 |
CN107563204B CN107563204B (zh) | 2020-12-01 |
Family
ID=60975784
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710736300.XA Active CN107563204B (zh) | 2017-08-24 | 2017-08-24 | 一种匿名数据的隐私泄露风险评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107563204B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109753820A (zh) * | 2019-01-10 | 2019-05-14 | 贵州财经大学 | 数据开放共享的方法、装置及系统 |
WO2020063349A1 (zh) * | 2018-09-30 | 2020-04-02 | 中兴通讯股份有限公司 | 一种数据保护方法、设备、装置和计算机存储介质 |
CN112100623A (zh) * | 2020-08-21 | 2020-12-18 | 百度在线网络技术(北京)有限公司 | 机器学习模型的风险评估方法、装置、设备及存储介质 |
CN113792343A (zh) * | 2021-09-17 | 2021-12-14 | 国网山东省电力公司电力科学研究院 | 数据隐私的处理方法、装置、存储介质和电子设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140068696A1 (en) * | 2012-08-30 | 2014-03-06 | Sap Ag | Partial and risk-based data flow control in cloud environments |
CN105871891A (zh) * | 2016-05-17 | 2016-08-17 | 中国互联网络信息中心 | 一种dns隐私泄露风险评估方法及系统 |
CN106339396A (zh) * | 2015-07-10 | 2017-01-18 | 上海贝尔股份有限公司 | 用于对用户生成的内容进行隐私风险评估的方法和设备 |
CN106650487A (zh) * | 2016-09-29 | 2017-05-10 | 广西师范大学 | 基于多维敏感数据发布的多部图隐私保护方法 |
CN106778254A (zh) * | 2016-11-24 | 2017-05-31 | 四川无声信息技术有限公司 | 隐私泄露检测方法及系统 |
CN106874788A (zh) * | 2017-01-19 | 2017-06-20 | 华中科技大学 | 一种敏感数据发布中的隐私保护方法 |
US20170206376A1 (en) * | 2012-02-14 | 2017-07-20 | Radar, Inc. | Systems and Methods for Managing Data Incidents |
-
2017
- 2017-08-24 CN CN201710736300.XA patent/CN107563204B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170206376A1 (en) * | 2012-02-14 | 2017-07-20 | Radar, Inc. | Systems and Methods for Managing Data Incidents |
US20140068696A1 (en) * | 2012-08-30 | 2014-03-06 | Sap Ag | Partial and risk-based data flow control in cloud environments |
CN106339396A (zh) * | 2015-07-10 | 2017-01-18 | 上海贝尔股份有限公司 | 用于对用户生成的内容进行隐私风险评估的方法和设备 |
CN105871891A (zh) * | 2016-05-17 | 2016-08-17 | 中国互联网络信息中心 | 一种dns隐私泄露风险评估方法及系统 |
CN106650487A (zh) * | 2016-09-29 | 2017-05-10 | 广西师范大学 | 基于多维敏感数据发布的多部图隐私保护方法 |
CN106778254A (zh) * | 2016-11-24 | 2017-05-31 | 四川无声信息技术有限公司 | 隐私泄露检测方法及系统 |
CN106874788A (zh) * | 2017-01-19 | 2017-06-20 | 华中科技大学 | 一种敏感数据发布中的隐私保护方法 |
Non-Patent Citations (1)
Title |
---|
王波: "数据发布中的个性化隐私匿名技术研究", 《中国博士学位论文全文数据库》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020063349A1 (zh) * | 2018-09-30 | 2020-04-02 | 中兴通讯股份有限公司 | 一种数据保护方法、设备、装置和计算机存储介质 |
CN109753820A (zh) * | 2019-01-10 | 2019-05-14 | 贵州财经大学 | 数据开放共享的方法、装置及系统 |
CN112100623A (zh) * | 2020-08-21 | 2020-12-18 | 百度在线网络技术(北京)有限公司 | 机器学习模型的风险评估方法、装置、设备及存储介质 |
CN112100623B (zh) * | 2020-08-21 | 2023-12-22 | 百度在线网络技术(北京)有限公司 | 机器学习模型的风险评估方法、装置、设备及存储介质 |
CN113792343A (zh) * | 2021-09-17 | 2021-12-14 | 国网山东省电力公司电力科学研究院 | 数据隐私的处理方法、装置、存储介质和电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN107563204B (zh) | 2020-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107563204A (zh) | 一种匿名数据的隐私泄露风险评估方法 | |
Blumenstock | Inferring patterns of internal migration from mobile phone call records: evidence from Rwanda | |
Edwards et al. | Wildlife‐friendly oil palm plantations fail to protect biodiversity effectively | |
Lees et al. | Poor prospects for avian biodiversity in Amazonian oil palm | |
Endresen et al. | Predictive association between biotic stress traits and eco‐geographic data for wheat and barley landraces | |
Arcilla et al. | Severe declines of understory birds follow illegal logging in Upper Guinea forests of Ghana, West Africa | |
Stenzel et al. | Remote sensing of scattered Natura 2000 habitats using a one-class classifier | |
Kosman et al. | Conservation prioritization based on trait‐based metrics illustrated with global parrot distributions | |
Daru et al. | A novel phylogenetic regionalization of phytogeographical zones of southern Africa reveals their hidden evolutionary affinities | |
CN103605715B (zh) | 用于多个数据源的数据整合处理方法和装置 | |
Colli‐Silva et al. | Evaluating shortfalls and spatial accuracy of biodiversity documentation in the Atlantic Forest, the most diverse and threatened Brazilian phytogeographic domain | |
CN107679994A (zh) | 核保决策树的创建方法、装置、计算机设备及存储介质 | |
CN109347808B (zh) | 一种基于用户群行为活动的安全分析方法 | |
CN106815226A (zh) | 文本匹配方法和装置 | |
CN107315822A (zh) | 一种知识点关联的挖掘方法 | |
CN107592306A (zh) | 基于物联网环境大数据的信息安全监测管理方法及系统 | |
CN108415846A (zh) | 一种生成最小自动化测试用例集的方法和装置 | |
CN110336838A (zh) | 账号异常检测方法、装置、终端及存储介质 | |
CN107733902A (zh) | 一种目标数据扩散过程的监控方法及装置 | |
CN110175327A (zh) | 一种基于隐私信息检测的数据隐私性量化评估方法 | |
Gottwald et al. | A probabilistic census-travel model to predict introduction sites of exotic plant, animal and human pathogens | |
CN116662282B (zh) | 一种基于多维数据的服务数据处理共享系统 | |
CN104199945A (zh) | 数据存储方法和装置 | |
CN113553583A (zh) | 信息系统资产安全风险评估方法与装置 | |
CN106168968A (zh) | 一种网站分类方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |