CN113051604B

CN113051604B - 一种基于生成式对抗网络的涉密地理表格类数据保护方法

Info

Publication number: CN113051604B
Application number: CN202110249303.7A
Authority: CN
Inventors: 宋军; 杨帆; 陈诺; 徐衡
Original assignee: China University of Geosciences
Current assignee: China University of Geosciences
Priority date: 2021-03-08
Filing date: 2021-03-08
Publication date: 2022-06-14
Anticipated expiration: 2041-03-08
Also published as: CN113051604A

Abstract

本发明提供一种基于生成式对抗网络的涉密地理表格类数据保护方法，包括以下：获取原始涉密表格类型数据；对涉密表格类型数据进行预处理，得到预处理后的训练数据；利用预处理好的训练数据训练GDPGAN模型，得到训练好的模型；利用训练好的模型生成虚假数据；将虚假数据替代原始数据进行发布，保护原始数据。本发明提供的有益效果是：将DCGAN和图卷积神经网络结合，有效学习原始数据中欧式空间数据和非欧式空间数据，解决了GAN网络不能很好地提取表格数据属性间关联性问题。同时通过调节高斯噪声对原数据的扰动程度，控制我们需要生成的虚假数据的质量，很好地保护了涉密地理表格类型数据。

Description

一种基于生成式对抗网络的涉密地理表格类数据保护方法

技术领域

本发明涉及数据安全领域，尤其涉及一种基于生成式对抗网络的涉密地理表格类数据保护方法。

背景技术

现有涉密数据保护中往往存在以下问题：

(1)现有的大多数数据保护对象集中在涉密栅格或图像数据，针对涉密表格类数据的研究较少。

(2)现有的对统计表格数据的保护方式大多是表格数据的加密传输，如专利CN200910306593.3，对涉密统计表格数据发布的保护研究较少。

(3)当前基于生成式对抗网络的敏感数据保护方法主要集中在图像类型数据，研究文本或表格类型数据较少。已有的基于生成式对抗网络的文本数据保护方法绝大部分仅考虑关联性较弱的保护对象，例如病人信息统计表格数据。

(4)现有的利用生成对抗网络保护表格数据方法，只是单纯利用普通的GAN网络进行虚假数据生成，没有考虑表格数据之间可能存在的相关性，例如一统计钻孔内化学元素含量信息的表格数据，表格中有效硫与氯或有效锌与铅等化学元素含量在数值大小上具有较强的相关性。即当有效硫(有效锌)元素含量增大时，氯(铅)元素的含量也将会随之增大。CN201910038938.5，该专利单纯地使用GAN网络来进行虚假数据生成，未考虑数据之间的关联性。这种现象一方面降低了虚假数据的可用性，另一方面，很容易被发现这是一个虚假数据。

发明内容

有鉴于此，为了解决现有技术中的不足，本发明提出一种基于生成式对抗网络的涉密地理表格类数据保护方法，该方法通过生成并发布与真实数据非常接近的虚假数据，达到保护涉密数据的目的。

本发明提供的一种基于生成式对抗网络的涉密地理表格类数据保护方法，具体包括以下步骤：

S101：获取原始涉密表格类型数据；

S102：对涉密表格类型数据进行预处理，得到预处理后的训练数据；

S103：利用预处理好的训练数据训练GDPGAN模型，得到训练好的模型；

S104：利用训练好的模型生成虚假数据；

S105：将虚假数据替代原始数据进行发布，保护原始数据。

进一步地，所述涉密表格类型数据包括统计类表格类型的数据和地理关联性类型数据。

进一步地，步骤S102具体为：

S201：将涉密表格中的每一条记录转换成方阵形式；

S202：对方阵添加高斯噪声，形成经过噪声扰动后的训练数据。

进一步地，步骤S103具体为：

S301：利用随机噪声，生成随机向量Z；

S302：将随机向量Z输入至GDPGAN模型的生成器G，生成得到原始涉密表格类型数据的虚假数据；

S303：将生成的虚假数据和预处理后的训练数据一起输入至GDPGAN模型的两个判别器D1和D2中；判别器D1用于二分类，区分输入的数据来自真实数据集合或虚假数据集合；判别器D2基于图卷积神经网络，用于对不同关联图进行分类；

S304：当判别器D1和D2无法区分真实数据和生成器生成的虚假数据时，GDPGAN模型训练完毕。

进一步地，判别器D1由多个卷积层组成；所述判别器D1的损失函数如下：

其中，I为真实数据集；x为输入至判别器D1的真实数据集的样本；I′为虚假数据集；x′为输入至判别器D1的虚假数据集的样本。

进一步地，判别器D2的损失函数如下：

其中AG(·)为返回真实数据或虚假数据构造的关联图函数；

表示输入至判别器D2的真实数据样本；

表示输入至判别器D2的虚假数据样本。

所述GDPGAN模型的整体损失函数如下：

式(3)中noise(μ,σ)为真实数据集的高斯噪声生成器；(x+noise(μ,σ))为真实数据中添加高斯噪声后的一组数据，用于生成关联图；λ为预设值。

本发明提供的有益效果是：将DCGAN和图卷积神经网络结合，有效学习原始数据中欧式空间数据和非欧式空间数据，解决了GAN网络不能很好地提取表格数据属性间关联性问题。同时通过调节高斯噪声对原数据的扰动程度，控制需要生成的虚假数据的质量，很好地保护了涉密地理表格类型数据。

附图说明

图1是本发明一种基于生成式对抗网络的涉密地理表格类数据保护方法流程图；

图2为表格数据预处理流程图；

图3为GDPGAN模型结构图；

图4为GDPGAN模型每一层的参数；

图5为涉密地理表格类数据属性关联图；

图6为涉密地理表格类数据P元素和SR元素关系图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地描述。

在解释说明前，先对相关专业术语进行释义。

生成式对抗网络(GAN,Generative Adversarial Networks)是一种深度学习模型，模型通过框架中(至少)两个模块：生成模型(Generative Model)和判别模型(Discriminative Model)的互相博弈学习产生相当好的输出。判别模型需要输入变量，通过某种模型来预测。生成模型G的目标就是尽量生成真实的图片去欺骗判别模型D。而D的目标就是尽量把G生成的图片和真实的图片分别开来。这样，G和D构成了一个动态的“博弈过程”。在最理想的状态下，G可以生成足以“以假乱真”的图片G(z)。

请参考图1，一种基于生成式对抗网络的涉密地理表格类数据保护方法，包括以下：

S101：获取原始涉密表格类型数据；

原始涉密表格类型数据由用户进行提交至服务器系统。

步骤S102具体为：

S201：将涉密表格中的每一条记录转换成方阵形式；

请参考图2，优选的，本实施例中，逐条读取用户提交的表格数据，判断表格数据是否能够构成方阵数据，如果表格中记录的长度少于方阵数据容量，则在每条记录后面补充0，再将每条表格数据转换为方阵数据。

例如，一个包含62个属性值的记录需要补充2个0，以满足8x 8的方阵数据容量。对于得到的方阵数据，接下来判断数据的共享对象是否可靠，对于不可靠的数据共享对象，基于高斯噪声对上述方阵数据进行干扰；而对于可靠的共享对象，不需要对上述方阵数据进行扰动。

步骤S103具体为：

S301：利用随机噪声，生成随机向量Z。本发明中Z为1*1*64向量；经过三次反卷积之后，得到8*8*1的噪声方阵，也就是所需要的虚假数据；

GDPGAN模型的生成器G为包含多个反卷积层的神经网络。生成器G利用向量Z，经过多层反卷积层将随机向量Z转化为二维方阵(8*8*1)，生成与原始数据相近的虚假数据。对于不可靠的合作伙伴，生成器基于加入噪声的数据分布生成的虚假数据会与原始涉密表格类数据分布不同，从而达到限制虚假数据与原始涉密表格类数据相似的目的，兼顾不同场景下的涉密表格类数据的保护与共享需求。可以根据需求调整添加噪声扰动的强度，强度越大，生成的虚假数据和原始数据越不相似。

优选的，判别器D1是由多个卷积层组成的卷积神经网络，D1主要执行二分类任务：区分输入数据是来自真实数据集合I或来自虚假数据集合I’。对于每一个输入至D1的样本(真实数据集、添加扰动的真实数据集或生成的虚假数据)，D1将来自真实数据集合I的样本x判别为真，D1(x)＝1；将来自合成数据集合I’的样本x’判别为假，D1(x’)＝0。判别器D1的损失函数L_{DCGAN}可以定义为：

判别器D2基于图卷积神经网络，具有对不同关联图数据进行分类的能力。当样本输入D2时，D2先将样本映射为关联图。基于皮尔逊积矩相关系数计算各属性之间的线性相关系数r，公式如下图所示。连接满足0.8<＝|r_ij|<＝1所对应的属性，构成一网络结构图G＝{V,E}，形成关联图(AG)。

D2对关联图进行识别，基于真实数据构造的关联图分类为真，而基于虚假数据构造的关联图分类为假。D2的损失函数如下，其中{x}及{x’}分别表示训练过程中一组真实数据和虚假数据，函数AG()返回基于一组真实(虚假)数据构造的关联图。

生成器和判别器之间进行不断地博弈，判别器的识别准确率越来越高，生成器生成的虚假数据越来越接近真实数据。最终获取一个高性能的生成器。整个GDPGAN模型的损失函数可以如下图表示：

其中，x为原始涉密敏感地理表格数据中一条记录，noise(μ,σ)为高斯噪声生成器，{x+noise}为添加高斯噪声后的一组数据，用于生成关联图数据。

本部分实施例，请参考图3，右下分支的判别器D1主要执行二分类任务：区分输入数据是来自真实数据集合I或来自虚假数据集合I’。对于每一个输入至D1的样本，判别器D1将来自真实数据集合I的样本x判别为真，D1(x)＝1；并将来自合成数据集合I’的样本x’判别为假，D1(x’)＝0。

右上分支的判别器D2是基于图卷积神经网络，先将方阵数据映射为关联图，图卷积神经网络具有对不同关联图数据进行分类的能力。如果虚假表格数据中属性和属性之间的相关性信息与真实数据不同，基于表格数据所计算出的线性相关系数与真实数据也会不一样，这种结果会导致两者的关联图在节点个数及图结构方面也不同。所以D2判别器可以通过区分不同的关联图来区分真实数据和虚假数据。同样，D2输出为1，代表判别为真；输出为0，代表判别为假。

请参考图4，图4详细地展示了GDPGAN模型每一层接收数据的尺寸，卷积核大小，步长和激活函数等，通过图4可以看到数据在DGPGAN模型中的具体变化。

S104：利用训练好的模型生成虚假数据；

S105：将虚假数据替代原始数据进行发布，保护原始数据。

为了对本申请方法进行验证，请参考图5，图5以来自中国厦门的一真实地理钻孔化学元素统计数据为数据集，对GDPGAN模型进行训练，并用训练好的模型生成虚假表格数据并绘制各元素之间的关联图。(a)为基于原始表格数据构造的关联图，(b)及(c)分别为基于GDPGAN with high-quality和GDPGAN with low-quality构造的关联图。各关联图中节点代表表格中的不同属性，边表示各属性和属性之间的关联性。各边上面的权重信息为各节点之间的相关性系数。

可以看出，基于GDPGAN with high-quality构造的关联图(b)与(a)具有几乎相同的节点个数、节点种类及节点链接关系。这说明GDPGAN能够生成与原始表格数据属性关联性一致的虚假数据。GDPGAN with low-quality由于在原始地理数据中加入了高斯噪声，所以构造的关联图与原始地理关联图差别较大

请参考图6，图6所示，为进一步分析基于不同生成方案生成的虚假数据中各属性之间的相关性，对虚假数据中一对数值型属性的取值关系进行分析，图6展示了涉密地理表格数据中P元素及SR元素的取值关系，其中X轴为P元素，Y轴为SR元素，X和Y轴的值均经过归一化处理。

(a)为P元素及SR元素在原始涉密地理表格中的取值关系。可以看出，P元素和SR元素具有较强的线性相关性，即随着P元素含量数值的增大，SR元素含量也会随之增大。(b)展示了GDPGAN with high-quality模型生成的P元素及SR元素的取值关系。GDPGAN withhigh-quality模型通过引入图卷积神经网络使得合成的虚假数据能够保留此关联性信息，所以，基于GDPGAN模型生成的虚假数据与原始数据具有非常相似的取值关系。

本发明提供的有益效果是：将DCGAN和图卷积神经网络结合，有效学习原始数据中欧式空间数据和非欧式空间数据，解决了GAN网络不能很好地提取表格数据属性间关联性问题。同时通过调节高斯噪声对原数据的扰动程度，控制我们需要生成的虚假数据的质量，很好地保护了涉密地理表格类型数据。

同时，本发明的应用范围不仅局限于地理表格数据，它还可以应用于其他关联性地理数据中，如地质三维建模图等；或其他类型的关联性数据，如商品销量统计表，病人血常规检查表等等。总之，对于关联性的数据，GDPGAN都可以生成与之相近的虚假数据，达到保护数据的目的。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。