差分隐私保护下一种精确挖掘top-k频繁模式方法

被引：29

作者：

张啸剑 ^{[1
,2
]}

王淼 ^{[1
]}

孟小峰 ^{[1
]}

机构：

[1] 中国人民大学信息学院

[2] 河南财经政法大学计算机与信息工程学院

来源：

计算机研究与发展 | 2014年 / 01期

基金：

高等学校博士学科点专项科研基金;

关键词：

频繁模式挖掘; top-k模式; 差分隐私; 拉普拉斯机制; 指数机制;

D O I：

暂无

中图分类号：

TP311.13 [];

学科分类号：

1201 ;

摘要：

频繁模式挖掘是分析事务数据集常用技术.然而,当事务数据集含有敏感数据时(如用户行为记录、电子病例等),直接发布频繁模式及其支持度计数会给个人隐私带来相当大的风险.对此提出了一种满足ε-差分隐私的top-k频繁模式挖掘算法DP-topkP(differentially private top-kpattern mining).该算法利用指数机制从候选频繁模式集合中挑选出top-k个携带真实支持度计数的模式;采用拉普拉斯机制产生的噪音扰动所选模式的真实支持度计数;为了增强输出模式的可用性,采用后置处理技术对top-k个模式的噪音支持度计数进行求精处理.从理论角度证明了该算法满足ε-差分隐私,并符合(λ,δ)-useful要求.实验结果证明了DP-topkP算法具有较好的准确性、可用性和可扩展性.

引用

页码：104 / 114

页数：11

共 4 条

[1] Can the Utility of Anonymized Data be Used for Privacy Breaches? [J].

Wong, Raymond Chi-Wing ;

Fu, Ada Wai-Chee ;

Wang, Ke ;

Yu, Philip S. ;

Pei, Jian .

ACM TRANSACTIONS ON KNOWLEDGE DISCOVERY FROM DATA, 2011, 5 (03)

[2]

Anonymity preserving pattern discovery[J] . Maurizio Atzori,Francesco Bonchi,Fosca Giannotti,Dino Pedreschi.The VLDB Journal . 2008 (4)

[3]

Differential privacy and robust statistics .2 Dwork C,Lei J. Proc of the 41st Annual ACM Symp on Theory of Computing (STOC09) . 2009

[4]

The Differential Privacy Frontier .2 Dwork C. 6th Theory ofCryptography Conference (TCC 2009) . 2009

← 1 →