CN111859460A - 一种满足lkc模型的分类树差分隐私保护方法 - Google Patents
一种满足lkc模型的分类树差分隐私保护方法 Download PDFInfo
- Publication number
- CN111859460A CN111859460A CN202010766771.7A CN202010766771A CN111859460A CN 111859460 A CN111859460 A CN 111859460A CN 202010766771 A CN202010766771 A CN 202010766771A CN 111859460 A CN111859460 A CN 111859460A
- Authority
- CN
- China
- Prior art keywords
- sequence
- data
- lkc
- track
- classification tree
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000001629 suppression Effects 0.000 claims abstract description 36
- 230000005764 inhibitory process Effects 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 2
- 238000004321 preservation Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 230000007423 decrease Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 238000000638 solvent extraction Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 208000024335 physical disease Diseases 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
- G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
- G06F21/6254—Protecting personal data, e.g. for financial or medical purposes by anonymising data, e.g. decorrelating personal data from the owner's identification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Bioethics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Security & Cryptography (AREA)
- Remote Sensing (AREA)
- Computer Hardware Design (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种满足LKC模型的分类树差分隐私保护方法,包括如下步骤:步骤1、根据待发布数据确定需要全局抑制的序列集合;步骤2、根据所述序列集合中的轨迹数据计算新产生的最小违反序列;其中,当产生新的最小违反序列时,舍弃所述最小违反序列;步骤3、当未产生新的最小违反序列时,根据所述序列集合中的轨迹数据建立分类树并通过拉普拉斯机制对数据进行添加噪声得到发布数据。
Description
技术领域
本发明涉及信息安全技术领域,尤其涉及一种满足LKC模型的分类树差 分隐私保护方法。
背景技术
轨迹数据中包含大量移动用户的个人信息,研究人员通过对轨迹数据的 分析和探索,从中获取大量有价值的信息用以对用户信息的隐私保护研究。 如果这些轨迹数据在发布前没有得到有效的隐私保护处理,那么掌握背景知 识的攻击者就可以通过分析轨迹数据推断出用户的隐私信息,例如身体疾病、 家庭收入等,这会导致用户的经济损失甚至人身安全问题。如果原始的轨迹 数据集在发布过程中处理不当,则会导致用户信息的大量损失,降低发布数 据的可用性和完整性,造成信息的浪费。所以确保所发布的轨迹数据不会泄 露用户隐私的同时拥有较高的数据可用性是一个待解决的研究课题。
现阶段,对于轨迹数据发布中隐私保护方法研究已取得了一定的成果。 例如,Mohammed等提出了一种适用于RFID数据的LKC隐私模型,并利用 一种匿名算法来实现LKC隐私模型。该算法首先在轨迹数据集中识别出最小 违反序列集,然后通过贪心法对违反序列进行全局抑制,达到尽可能减少最 大频繁序列损失的目的,但全局抑制的方法需要将大量数据删除,没有有效 提高数据可用性。Chen等人通过(K,C)L隐私模型及算法提出了局部抑制 的概念。该算法首先确定轨迹数据集中不满足(K,C)L隐私模型要求的所有 序列;然后在保证数据高效可用性的前提下,通过局部抑制将轨迹数据集简 化。Ghasemzadeh等人通过对LKC-隐私模型中C=1的情况进行研究,通过全 局抑制来实现对轨迹数据的隐私保护;Komishani等人提出一种泛化敏感信息 的隐私保护算法,该算法通过对敏感信息属性建立分类树来实现对高维轨迹 数据集的抑制,但由于不确定攻击者所掌握背景知识的长度,所以抑制了大 量数据,造成了数据集挖掘价值的损失。
发明内容
基于现有研究成果及存在的问题,本发明设计开发了一种满足LKC模型 的分类树差分隐私保护方法,本发明的发明目的是解决对轨迹数据进行全局 抑制会造成数据可用性降低及降低用户隐私泄露风险的问题。
本发明提供的技术方案为:
一种满足LKC模型的分类树差分隐私保护方法,包括如下步骤:
步骤1、根据待发布数据确定需要全局抑制的序列集合;
步骤2、根据所述序列集合中的轨迹数据计算新产生的最小违反序列;
其中,当产生新的最小违反序列时,舍弃所述最小违反序列;
步骤3、当未产生新的最小违反序列时,根据所述序列集合中的轨迹数 据建立分类树并通过拉普拉斯机制对数据进行添加噪声得到发布数据。
优选的是,在所述步骤2中,计算新产生的最小违反序列包括:
步骤2.1、在所述序列集合找出轨迹数据集中的最小违反序列集,并根据 给定的频繁阈值,确定最大频繁序列集;
步骤2.2、构建MFS树,根据位置点的抑制优先级得分确定抑制的顺序;
步骤2.3、根据所述抑制的顺序更新MFS;
步骤2.4、重新计算其余位置点的抑制优先级得分,更新最小违反序列集 后,得到所述最小违反序列。
优选的是,在所述步骤2.2中,所述抑制优先级得分为
式中,Eliminate(p)为位置点p可以消除的最小违反序列数目,Loss(p)为位置 点p带来的有用性损失。
优选的是,在所述步骤2.2中,选择每次抑制优先级得分最高的点实施 抑制,确定所述抑制的顺序。
优选的是,在所述步骤2中,还包括:当产生新的最小违反序列时,还 需要验证所述轨迹数据的轨迹数据集是否满足LKC-隐私模型,如果轨迹数据 集中存在的数据序列不能满足LKC-隐私模型,则需要更新最小违反序列,直 到所有的数据序列都满足LKC-隐私模型为止;
其中,当满足如下条件时,所述轨迹数据的轨迹数据集满足LKC-隐私模 型:
|p|<L;
|T(p)|≥K;以及
Conf(s|T(p))≤C;
式中,Conf(s|T(p))=|T(p∪s)|/|T(p)|,Conf为不同条件下计算得出的置信度阈值, L为攻击者掌握的最大轨迹长度值,T为所有用户的轨迹数据集,S为数据集T 中的敏感属性值,P为数据集T中任意子序列,0≤C≤1,s∈S,C为匿名集的 置信度阈值,K为序列中的匿名数。
优选的是,在所述步骤3中,建立分类树过程包括如下步骤:
步骤3.1、初始化所有用户的轨迹数据集,在所述所有用户的轨迹数据集 选出两组频繁序列构造一棵分类树;
步骤3.2、根据每条轨迹记录中任意两个位置点出现的次数,选出次数最 多位置点所对应的轨迹序列作为第一组;
步骤3.3、在所述次数最多位置点出现的所有序列中挑出次数最少的序 列,再在这个序列所在的轨迹挑出最频繁的位置点作为第二组;
步骤3.4、重复进行所述步骤3.2、所述步骤3.3,挑选其他轨迹放入所述 第一组和所述第二组中,直到所有的轨迹都放入分类树中,得到最终构建的 分类树。
优选的是,在所述步骤3中通过拉普拉斯机制对数据进行添加噪声过程 包括:
用于所述分类树迭代分割过程中的隐私预算ε以拉普拉斯机制进行细化 分割,将ε平均分配给每个增量更新数据集εm′,将εm′平均分为两部分 分别用于数据迭代过程中拉普拉斯机制和向叶子结点中添加拉 普拉斯噪声;
对于任一函数f:T→Rd,如果算法A的输出结果满足不等式 A(T)=f(T)+<Lap1(Δf/ε),Lap2(Δf/ε),…,Lapi(Δf/ε)>,则A满足ε差分隐私;
式中,T为轨迹数据集,R为映射的实数阈,d为f:T→Rd的查询维度,A(T) 为算法A在轨迹数据集T上的输出结果,f(T)为函数f:T→Rd在轨迹数据集T上 的输出结果,Lapi(Δf/ε)(1≤i≤d)为相互独立的拉普拉斯变量。
本发明与现有技术相比较所具有的有益效果:在轨迹数据的发布过程中, 通过局部抑制代替全局抑制,提高了轨迹数据的可用性,同时根据轨迹数据 集中的用户信息建立分类树,通过拉普拉斯机制对数据进行添加噪声处理, 在保证数据可用性的同时提高了待发布数据的安全性;通过实验验证,本文 提出的算法相比于其他算法,有效降低了MFS(最大频繁项集)损失率和序 列损失率,在相同隐私预算的条件下,计数查询的平均相对误差更低。
附图说明
图1为本发明所述的满足LKC模型的分类树差分隐私保护方法的流程 图。
图2为本发明所述的不同K值对MFS损失率的影响。
图3为本发明所述的不同K值对序列损失率的影响。
图4为本发明所述的不同C值对MFS损失率的影响。
图5为本发明所述的不同C值对序列损失率的影响。
图6为当ε=0.5时,数据集长度对平均相对误差的影响。
图7为当ε=1时,数据集长度对平均相对误差的影响。
具体实施方式
下面结合附图对本发明做进一步的详细说明,以令本领域技术人员参照 说明书文字能够据以实施。
如图1所示,本发明提供了一种满足LKC模型的分类树差分隐私保护方 法,考虑到对轨迹数据进行全局抑制会造成数据可用性降低的问题,采用局 部抑制将其代替处理数据,找出轨迹数据集中的MVS集合,根据给定的频繁 阈值E,找出最大频繁序列集并构建MFS树,根据位置点的抑制优先级得分 来决定抑制的顺序,更新最小违反序列。在加噪处理时,利用分类树算法, 引用拉普拉斯噪声机制对数据进行保护,提高了轨迹数据发布过程中的安全 性,降低了由于全局抑制带来的数据损失率;具体包括如下步骤:
步骤1、计算新产生的最小违反序列(NewMVS):找出轨迹数据集中的 MVS集合,根据给定的频繁阈值E,找出最大频繁序列集,然后构建MFS 树,根据位置点p的抑制优先级得分Score(p)来决定抑制的顺序,抑制优 先级得分=抑制点p可以消除的MVS数目(Eliminate(p))/抑制点p带来的 有用性损失(Loss(p)):
选择每次得分最高的点p,将点p的所在序列抑制,更新MFS(最大频 繁序列),然后重新计算其余位置点的抑制优先级得分,并更新最小违反序列 (MVS)集;
步骤2、验证轨迹数据集是否满足LKC-隐私模型进而判断是否需要继续 更新最小违反序列集,若轨迹数据集中存在序列不满足步骤2,则需要更新 最小违反序列集,直到所有序列都满足步骤2为止后判断是否产生新的最小 违反序列,若产生新的最小违反序列时则舍弃违反序列,若未产生新的最小 违反序列时,则根据轨迹数据集中的敏感信息建立分类树;
其中,L是攻击者掌握的最大轨迹长度值,T是所有用户的轨迹数据集, S是数据集T中的敏感属性值,K为序列中的匿名数,轨迹数据集T满足LKC- 隐私当且仅当T中任意子序列P在|P|<L时满足以下条件:
|T(p)|≥K,T(p)是轨迹中包含p的用户;
Conf(s|T(P)≤C,Conf(s|T(p))=|T(P∪s)|/|T(P)|,其中,Conf为confidence的缩写, 代表不同条件下计算得出的置信度阈值(confidence threshold),用于与给定 置信度阈值C相比较,0≤C≤1,s∈S,C是匿名集的置信度阈值,可以根据需 求灵活地调整匿名的程度;
步骤3、建立分类树:首先初始化数据集T,在轨迹数据集选出两组频繁 序列构造一棵分类树;根据每条轨迹记录中任意两个位置点出现的次数,选 出次数最多所对应的轨迹序列作为第一组,然后在这个位置点出现的所有序 列中挑出次数最少的序列,再在这个序列所在的轨迹挑出最频繁的位置点作 为第二组,以此迭代地挑选其他轨迹放入这两组中,直到所有的轨迹都被放 进分类树中,就构造好了一棵分类树T-tree(0);
步骤4、重新分配隐私预算:用于分类树迭代分割过程中的隐私预算ε以 拉普拉斯机制进行细化分割方案,首先将ε平均分配给每个增量更新数据集 ε'm,再将ε'm平均分为两部分分别用于数据迭代过程中的Laplace 机制和向叶子结点中添加Laplace噪声;
步骤5、添加噪声:对于任一函数f:T→Rd,若算法A的输出结果满足 不等式A(T)=f(T)+<Lap1(Δf/ε),Lap2(Δf/ε),…,Lapi(Δf/ε)>,则A满足ε-差分隐私; 其中,T代表轨迹数据集,R代表映射的实数阈,d代表f:T→Rd的查询维度, A(T)表示算法A在轨迹数据集T上的输出结果,f(T)表示函数f:T→Rd在轨迹数 据集T上的输出结果,Lapi(Δf/ε)(1≤i≤d)是相互独立的拉普拉斯变量,噪音量大 小与Δf成正比,与ε成反比。
实施例
为了证明本文发明的有效性,本发明在Python环境下运行,由Myeclipse 集成开发软件进行算法实现,实验硬件环境:处理器为Intel(R) Core(TM)i7-5500U CPU 2.40GH、RAM为8.0G、Lnuix操作系统,本发明采 用微软亚洲研究院的Geolife项目提供的开源数据集进行实验验证,该数据集 包含18670条真实用户轨迹,被广泛应用于轨迹数据相关研究实验。
如图2~5所示,数据损失是衡量轨迹数据可用性的重要参考,本发明从 频繁序列(MFS)和轨迹序列两方面进行衡量:
(1)MFS数据损失MFSLoss,取决于原始轨迹数据集中的MFS数和经 过局部抑制处理后数据集中剩余的MFS数:
其中,M(T)为原始轨迹数据集中的MFS数,M(T°)为经过局部抑制处理后 的数据集中的MFS数;
(2)轨迹序列损失TLoss,取决于原始轨迹数据集中的序列数以及经过 数据处理后的序列数:
其中,L(T)为原始轨迹数据集中的轨迹条数,L(T°)为经过局部抑制处理后 的数据集中的轨迹条数。
如图6、7所示,利用计数查询计算数据的平均相对误差为衡量数据损失 的标准,计数查询R:
实验结果
如图2、图3所示,随着K值的增加,MFS损失和序列损失也在不断增 加,因为K值的增大会导致最小违反序列(MVS)的增加,从而造成需要被 抑制的序列增加,所以数据损失便增加。相比于图中另一种TP-NSA算法虽 对减少数据损失有一定的效用,但代表本文的KTP算法对数据造成的损失更 小。
由图4、图5可知,随着C值的增加,MFS损失和序列损失在减小,由 于C值的增加会造成需要抑制的最小违反序列(MVS)数减少,所以MFS 损失和序列损失都在逐步减小。数据结果表明,相较于图中的另一种TP-NSA 算法,代表本发明的KTP算法中的数据处理对数据的损失率更低。
由图6、图7可知,随着轨迹数据集长度的增加,数据的平均相对误差 也逐渐增加,但在隐私预算值越大的条件下,两种实验中数据的平均相对误 差均在降低。而相比于图中另一种HDFPM算法,代表本发明的CTL算法更 有效节降低了平均相对误差,有效保护用户轨迹隐私的同时提高了数据的可 用性。
尽管本发明的实施方案已公开如上,但其并不仅仅限于说明书和实施方 式中所列运用,它完全可以被适用于各种适合本发明的领域,对于熟悉本领 域的人员而言,可容易地实现另外的修改,因此在不背离权利要求及等同范 围所限定的一般概念下,本发明并不限于特定的细节和这里示出与描述的图 例。
Claims (7)
1.一种满足LKC模型的分类树差分隐私保护方法,其特征在于,包括如下步骤:
步骤1、根据待发布数据确定需要全局抑制的序列集合;
步骤2、根据所述序列集合中的轨迹数据计算新产生的最小违反序列;
其中,当产生新的最小违反序列时,舍弃所述最小违反序列;
步骤3、当未产生新的最小违反序列时,根据所述序列集合中的轨迹数据建立分类树并通过拉普拉斯机制对数据进行添加噪声得到发布数据。
2.如权利要求1所述的满足LKC模型的分类树差分隐私保护方法,其特征在于,在所述步骤2中,计算新产生的最小违反序列包括:
步骤2.1、在所述序列集合找出轨迹数据集中的最小违反序列集,并根据给定的频繁阈值,确定最大频繁序列集;
步骤2.2、构建MFS树,根据位置点的抑制优先级得分确定抑制的顺序;
步骤2.3、根据所述抑制的顺序更新MFS;
步骤2.4、重新计算其余位置点的抑制优先级得分,更新最小违反序列集后,得到所述最小违反序列。
4.如权利要求3所述的满足LKC模型的分类树差分隐私保护方法,其特征在于,在所述步骤2.2中,选择每次抑制优先级得分最高的点实施抑制,确定所述抑制的顺序。
5.如权利要求1所述的满足LKC模型的分类树差分隐私保护方法,其特征在于,在所述步骤2中,还包括:当产生新的最小违反序列时,还需要验证所述轨迹数据的轨迹数据集是否满足LKC-隐私模型,如果轨迹数据集中存在的数据序列不能满足LKC-隐私模型,则需要更新最小违反序列,直到所有的数据序列都满足LKC-隐私模型为止;
其中,当满足如下条件时,所述轨迹数据的轨迹数据集满足LKC-隐私模型:
|p|<L;
|T(p)|≥K;以及
Conf(s|T(p))≤C;
式中,Conf(s|T(p))=|T(p∪s)|/|T(p)|,Conf为不同条件下计算得出的置信度阈值,L为攻击者掌握的最大轨迹长度值,T为所有用户的轨迹数据集,S为数据集T中的敏感属性值,P为数据集T中任意子序列,0≤C≤1,s∈S,C为匿名集的置信度阈值,K为序列中的匿名数。
6.如权利要求1所述的满足LKC模型的分类树差分隐私保护方法,其特征在于,在所述步骤3中,建立分类树过程包括如下步骤:
步骤3.1、初始化所有用户的轨迹数据集,在所述所有用户的轨迹数据集选出两组频繁序列构造一棵分类树;
步骤3.2、根据每条轨迹记录中任意两个位置点出现的次数,选出次数最多位置点所对应的轨迹序列作为第一组;
步骤3.3、在所述次数最多位置点出现的所有序列中挑出次数最少的序列,再在这个序列所在的轨迹挑出最频繁的位置点作为第二组;
步骤3.4、重复进行所述步骤3.2、所述步骤3.3,挑选其他轨迹放入所述第一组和所述第二组中,直到所有的轨迹都放入分类树中,得到最终构建的分类树。
7.如权利要求6所述的满足LKC模型的分类树差分隐私保护方法,其特征在于,在所述步骤3中通过拉普拉斯机制对数据进行添加噪声过程包括:
对于任一函数f:T——→Rd,如果算法A的输出结果满足不等式A(T)=f(T)+<Lap1(Δf/ε),Lap2(Δf/ε),…,Lapi(Δf/ε)>,则A满足ε差分隐私;
式中,T为轨迹数据集,R为映射的实数阈,d为f:T→Rd的查询维度,A(T)为算法A在轨迹数据集T上的输出结果,f(T)为函数f:T→Rd在轨迹数据集T上的输出结果,Lapi(Δf/ε)(1≤i≤d)为相互独立的拉普拉斯变量。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010766771.7A CN111859460A (zh) | 2020-08-03 | 2020-08-03 | 一种满足lkc模型的分类树差分隐私保护方法 |
CN202011227876.1A CN112131608B (zh) | 2020-08-03 | 2020-11-06 | 一种满足lkc模型的分类树差分隐私保护方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010766771.7A CN111859460A (zh) | 2020-08-03 | 2020-08-03 | 一种满足lkc模型的分类树差分隐私保护方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111859460A true CN111859460A (zh) | 2020-10-30 |
Family
ID=72952899
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010766771.7A Pending CN111859460A (zh) | 2020-08-03 | 2020-08-03 | 一种满足lkc模型的分类树差分隐私保护方法 |
CN202011227876.1A Active CN112131608B (zh) | 2020-08-03 | 2020-11-06 | 一种满足lkc模型的分类树差分隐私保护方法 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011227876.1A Active CN112131608B (zh) | 2020-08-03 | 2020-11-06 | 一种满足lkc模型的分类树差分隐私保护方法 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN111859460A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112560984A (zh) * | 2020-12-25 | 2021-03-26 | 广西师范大学 | 自适应K-Nets聚类的差分隐私保护方法 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113032399B (zh) * | 2021-03-30 | 2022-08-30 | 北京邮电大学 | 一种数据处理方法及装置 |
CN113722752B (zh) * | 2021-08-19 | 2024-04-09 | 国网电力科学研究院有限公司 | 基于lfp树与代理向量的轨迹隐私数据发布方法、装置及系统 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107526975A (zh) * | 2017-08-10 | 2017-12-29 | 中国人民大学 | 一种基于差分隐私保护决策树的方法 |
US10936750B2 (en) * | 2018-03-01 | 2021-03-02 | International Business Machines Corporation | Data de-identification across different data sources using a common data model |
CN109145633A (zh) * | 2018-06-08 | 2019-01-04 | 浙江捷尚人工智能研究发展有限公司 | 轨迹数据隐私保护方法、电子设备、存储介质及系统 |
CN109726758B (zh) * | 2018-12-28 | 2021-01-08 | 辽宁工业大学 | 一种基于差分隐私的数据融合发布算法 |
CN109726594B (zh) * | 2019-01-09 | 2023-07-18 | 南京航空航天大学 | 一种基于差分隐私的新型轨迹数据发布方法 |
CN110750806A (zh) * | 2019-07-16 | 2020-02-04 | 黑龙江省科学院自动化研究所 | 一种基于tp-mfsa抑制发布的高维位置轨迹数据隐私保护发布系统及方法 |
CN116611101A (zh) * | 2023-03-03 | 2023-08-18 | 广州大学 | 一种基于交互式查询差分隐私轨迹数据保护方法 |
-
2020
- 2020-08-03 CN CN202010766771.7A patent/CN111859460A/zh active Pending
- 2020-11-06 CN CN202011227876.1A patent/CN112131608B/zh active Active
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112560984A (zh) * | 2020-12-25 | 2021-03-26 | 广西师范大学 | 自适应K-Nets聚类的差分隐私保护方法 |
CN112560984B (zh) * | 2020-12-25 | 2022-04-05 | 广西师范大学 | 自适应K-Nets聚类的差分隐私保护方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112131608A (zh) | 2020-12-25 |
CN112131608B (zh) | 2024-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112131608A (zh) | 一种满足lkc模型的分类树差分隐私保护方法 | |
CN108363928B (zh) | 关联医疗数据中的自适应差分隐私保护方法 | |
US7302420B2 (en) | Methods and apparatus for privacy preserving data mining using statistical condensing approach | |
Fung et al. | Privacy-preserving data publishing: A survey of recent developments | |
Cao et al. | ρ-uncertainty: inference-proof transaction anonymization | |
Du et al. | Privacy-maxent: integrating background knowledge in privacy quantification | |
US7426752B2 (en) | System and method for order-preserving encryption for numeric data | |
Rafiei et al. | Group-based privacy preservation techniques for process mining | |
US20070233711A1 (en) | Method and apparatus for privacy preserving data mining by restricting attribute choice | |
US7904471B2 (en) | Method, apparatus and computer program product for preserving privacy in data mining | |
Verykios et al. | A survey of association rule hiding methods for privacy | |
Ravikumar et al. | A secure protocol for computing string distance metrics | |
Tassa et al. | Secure distributed computation of anonymized views of shared databases | |
EP2228735A2 (en) | Efficient multi-dimensional suppression for k-anonymity | |
Wang et al. | Generalized bucketization scheme for flexible privacy settings | |
Aggarwal et al. | Privacy-preserving data mining: a survey | |
Chae et al. | Software plagiarism detection via the static API call frequency birthmark | |
Aggarwal et al. | A survey of randomization methods for privacy-preserving data mining | |
US20230274004A1 (en) | Subject Level Privacy Attack Analysis for Federated Learning | |
Saraswathi et al. | Enhancing utility and privacy using t-closeness for multiple sensitive attributes | |
Hua et al. | A survey of utility-based privacy-preserving data transformation methods | |
Nissim | Private Data Analysis via Output Perturbation: A Rigorous Approach to Constructing Sanitizers and Privacy Preserving Algorithms | |
Paul | Positive and negative association rule mining using correlation threshold and dual confidence approach | |
Singh et al. | Conditional adherence based classification of transactions for database intrusion detection and prevention | |
Jia et al. | Database query system with budget option for differential privacy against repeated attacks |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20201030 |