CN115687501A - 基于差分隐私计算保护下的电力数据关联规则挖掘方法 - Google Patents

Abstract

本发明涉及一种基于差分隐私计算保护下的电力数据关联规则挖掘方法，其特征在于，所述方法包括以下步骤：步骤1：使用向量A＝{a_i}(i＝1…n)和B＝{b_i}(i＝1…n)表示用户A和用户B的某一个属性对应的属性列；步骤2：使用瑞丽散度对属性列{A,B}的元素进行混淆，得到{A′,B′}；步骤3：搜索两个分布式数据库A和B的频繁项集；步骤4：用户A和B生成随机保密向量R和R′以隐藏数据隐私，并输出对应的强关联规则；本发明可实现在不共享精确数据的条件下，获取准确的数据关系。对于需要保持多方隐私安全的分布式数据库，该方案既可用于搜索频繁项集，又能保持各方数据的隐私。

Description

基于差分隐私计算保护下的电力数据关联规则挖掘方法

技术领域

本发明具体涉及到一种基于差分隐私计算保护下的电力数据关联规则挖掘方法，属于数据安全领域。

背景技术

近年来，为了打造创新协同开放的数字生态，拓展内外部数据资源维度，构建电力大数据应用体系，开辟数据增值服务新空间，以电网数据为核心的电力数据开放共享已成为大势所趋。然而，由于电力数据包含较多的隐私信息，电力数据的开放共享将面临数据权益归属不清晰、数据开放共享义务不明、数据流通机制不完善、数据质量标准不统一、数据安全保护缺乏监管等现实性问题。一方面，电力数据的直接共享可能会导致电力用户数据和企业机密流失和泄露。另一方面，电力数据可能会被合作机构缓存甚至二次销售，进而对业务造成重大影响。因此，在电力数据共享领域，急需一种隐私保护和关联规则挖掘技术，能够实现在不共享精确数据的前提下，获取准确的数据关系。

发明内容

本发明正是针对现有技术中存在的问题，提供一种基于差分隐私计算保护下的电力数据关联规则挖掘方法，该方法解决了传统数据共享方式有可能造成隐私泄露的问题。

该方法主要利用瑞丽散度进行差分隐私计算隐藏数据隐私，利用较多未知随机量无法从较少联立方程中逆推的原理保证安全性，搜寻多方数据库中的所有频繁项集，从而找到具有给定最小支持度和最小置信度的强关联规则。一种基于差分隐私计算保护下的电力数据关联规则挖掘方法，各数据持有者通过瑞丽散度进行差分隐私计算隐藏数据隐私，利用较多未知随机量无法从较少联立方程中逆推的原理保证安全性，搜寻多方数据库中的所有频繁项集，从而找到具有给定最小支持度和最小置信度的强关联规则。本专利可实现在不共享精确数据的条件下，获取准确的数据关系。所述方法包括以下几个步骤：

步骤1：使用向量A＝{a_i}(i＝1…n)和B＝{b_i}(i＝1…n)表示用户A和用户B的某一个属性对应的属性列；

步骤2：使用瑞丽散度对属性列{A,B}的元素进行混淆，得到{A′,B′}；

步骤3：搜索两个分布式数据库A和B的频繁项集；

步骤4：用户A和B生成随机保密向量R和R′以隐藏数据隐私，并输出对应的强关联规则。

该方法主要利用瑞丽散度进行差分隐私计算隐藏数据隐私，利用较多未知随机量无法从较少联立方程中逆推的原理保证安全性，搜寻多方数据库中的所有频繁项集，从而找到具有给定最小支持度和最小置信度的强关联规则。

作为优选，所述的步骤2具体为，设噪声分布为z(x；μ)，式中x代表该分布的随机变量，μ代表该分布的期望，定义r_u为噪声分布z(x；μ)定义域内第u次随机选取的值，则加噪过程表示为：A′＝A+{z(r₁；μ),z(r₂；μ),z(r₃；μ),…,z(r_u；μ),…,z(r_n；μ)}。

作为优选，所述的步骤3具体包括以下子步骤：

3-1：设向量X＝{x_i}(i＝1…n)和Y＝{y_i}(i＝1…n)分别构造数据库A和B内部的所有项集。

3-2：由

和

生成数据库A、B中的频繁1-项集L₁__A、L₁__B。

3-3：分别用向量X和Y构造A和B内部的所有项集，其中x_i＝Π_ja_ij,y_i＝Π_jb_ij；并且a_ij∈L_(k-1)A和b_ij∈L_(k-1)B。根据

和

生成A、B内部的频繁项集L_k__A和L_k__B。

3-4：由安全点积判断X·Y≥min_sup生成A、B间的频繁项集L_{k_AB}，其中安全点积的公式为：

作为优选，所述的步骤4具体包括以下子步骤：

4-1：A产生随机保密向量R＝[R_i]，B产生随机保密向量R′＝[R_i′]，A与B共享系数矩阵C＝[c_i,j]；

4-2：B将向量R从r个分量扩充为n个分量，即

B计算向量

将向量Y′和R传给A；

4-3：A计算向量

并将向量R分成r组，求各组的和以形成新的向量

计算点积R·Y′，并将向量X′、

和R·Y′传给B；

4-4：B分别计算点积

X′·Y和最终结果

将结果传给A；

4-5：若最终结果X·Y≥min_sup，则将最终结果X·Y以及频繁项集L_{k_AB}作为强关联规则的输出。

相对于现有技术，本发明的优点如下：本发明可实现在不共享各方精确数据的条件下，获取准确的数据强关联规则关系，同时规避电力用户数据和企业机密流失和泄露、合作机构缓存甚至二次销售等问题。对于需要保持多方隐私安全的分布式数据库，该方案既可用于搜索频繁项集，又能保持各方数据不被披露。

具体实施方式

为了加深对本发明的认识和理解，下面结合实施方式进一步介绍该技术方案。

实施例1：基于差分隐私计算保护下的电力数据关联规则挖掘方法，主要利用瑞丽散度进行差分隐私计算隐藏数据隐私，利用较多未知随机量无法从较少联立方程中逆推的原理保证安全性，搜寻多方数据库中的所有频繁项集，从而找到具有给定最小支持度和最小置信度的强关联规则。具体包括以下步骤：

步骤1：使用向量A＝{a_i}(i＝1…n)和B＝{b_i}(i＝1…n)表示用户A和用户B的某一个属性对应的属性列；

步骤2：使用瑞丽散度对属性列{A,B}的元素进行混淆，得到{A′,B′}。其中，对属性列A进行混淆的具体操作如下，属性列B同理；

具体如下：设噪声分布为z(x；μ)，式中x代表该分布的随机变量，μ代表该分布的期望，定义r_u为噪声分布z(x；μ)定义域内第u次随机选取的值，则加噪过程表示为：A′＝A+{z(r₁；μ),z(r₂；μ),z(r₃；μ),…,z(r_u；μ),…,z(r_n；μ)}；

步骤3：搜索两个分布式数据库A和B的频繁项集，具体步骤为：

3-1：设向量X＝{x_i}(i＝1…n)和Y＝{y_i}(i＝1…n)分别构造数据库A和B内部的所有项集；

3-2：由

和

生成数据库A、B中的频繁1-项集L₁__A、L₁__B；

3-3：分别用向量X和Y构造A和B内部的所有项集，其中x_i＝П_ja_ij,y_i＝П_jb_ij；并且a_ij∈L_(k-1)A和b_ij∈L_(k-1)B。根据

和

生成A、B内部的频繁项集L_{k_A}和L_{k_B}；

3-4：由安全点积判断X·Y≥min_sup生成A、B间的频繁项集L_{k_AB}，其中安全点积的公式为：

步骤4：用户A和B生成随机保密向量R和R′以隐藏数据隐私，并输出对应的强关联规则。具体步骤为：

4-1：A产生随机保密向量R＝[R_i]，B产生随机保密向量R′＝[R_i′]，A与B共享系数矩阵C＝[c_i,j]；

4-2：B将向量R从r个分量扩充为n个分量，即

B计算向量

将向量Y′和R传给A；

4-3：A计算向量

并将向量R分成r组，求各组的和以形成新的向量

计算点积R·Y′，并将向量X′、

和R·Y′传给B；

4-4：B分别计算点积

X′·Y和最终结果

将结果传给A；

4-5：若最终结果X·Y≥min_sup，则将最终结果X·Y以及频繁项集L_{k_AB}作为强关联规则的输出。

本方案中，主要利用瑞丽散度进行差分隐私计算隐藏数据隐私，利用较多未知随机量无法从较少联立方程中逆推的原理保证安全性，搜寻多方数据库中的所有频繁项集，从而找到具有给定最小支持度和最小置信度的强关联规则。发明可实现在不共享精确数据的条件下，获取准确的数据关系。对于需要保持多方隐私安全的分布式数据库，该方案既可用于搜索频繁项集，又能保持各方数据的隐私。

以上所述的实施例只是本发明的一种较佳的方案，并非对本发明作任何形式上的限制，在不超出权利要求所记载的技术方案的前提下还有其它的变体及改型。

Claims (4)

1.基于差分隐私计算保护下的电力数据关联规则挖掘方法，其特征在于，所述方法包括以下步骤：

步骤1：使用向量A＝{a_i}(i＝1…n)和B＝{b_i}(i＝1…n)表示用户A和用户B的某一个属性对应的属性列；

步骤2：使用瑞丽散度对属性列{A,B}的元素进行混淆，得到{A′,B′}；

步骤3：搜索两个分布式数据库A和B的频繁项集；

步骤4：用户A和B生成随机保密向量R和R′以隐藏数据隐私，并输出对应的强关联规则。

2.根据权利要求1所述的基于差分隐私计算保护下的电力数据关联规则挖掘方法，其特征在于，所述步骤2具体为，设噪声分布为z(x；μ)，式中x代表该分布的随机变量，μ代表该分布的期望，定义r_u为噪声分布z(x；μ)定义域内第u次随机选取的值，则加噪过程表示为：A′＝A+{z(r₁；μ),z(r₂；μ),z(r₃；μ),…,z(r_u；μ),…,z(r_n；μ)}。

3.根据权利要求2所述的基于差分隐私计算保护下的电力数据关联规则挖掘方法，其特征在于，所述步骤3具体如下：

3-1：设向量Y＝{x_i}(i＝1…n)和Y＝{y_i}(i＝1…n)分别构造数据库A和B内部的所有项集；

3-2：由

和

生成数据库A、B中的频繁1-项集L_{1_A}、L_{1_B}；

3-3：分别用向量X和Y构造A和B内部的所有项集，其中x_i＝Π_j a_ij,y_i＝Π_j b_ij；并且a_ij∈L_(k-1)A和b_ij∈L_(k-1)B，根据

和

生成A、B内部的频繁项集L_{k_A}和L_{k_B}；

3-4：由安全点积判断Y·Y≥min_sup生成A、B间的频繁项集L_{k_AB}，其中安全点积的公式为：

4.根据权利要求3所述的基于差分隐私计算保护下的电力数据关联规则挖掘方法，其特征在于，所述步骤4具体如下：

4-1：A产生随机保密向量R＝[R_i]，B产生随机保密向量R′＝[R_i′]，A与B共享系数矩阵C＝[c_i,j]；

4-2：B将向量R从r个分量扩充为n个分量，即

B计算向量

将向量Y′和R传给A；

4-3：A计算向量

并将向量R分成r组，求各组的和以形成新的向量

计算点积R·Y′，并将向量

和R·Y′传给B；

4-4：B分别计算点积

X′·Y和最终结果

将结果传给A；

4-5：若最终结果X·Y≥min_sup，则将最终结果X·Y以及频繁项集L_{k_AB}作为强关联规则的输出。