[發明專利]一種關聯大數據的隱私保護方法及系統

在審

• 申請號: 201810615122.X
• 申請日: 2018-06-14
• 公開（公告）號: CN108959958A
• 公開（公告）日: 2018-12-07
• 發明（設計）人: 朱詩兵;呂登龍;李長青;劉冉
• 申請（專利權）人: 中國人民解放軍戰略支援部隊航天工程大學
• 主分類號: G06F21/62
• 分類號: G06F21/62
• 代理公司: 北京風雅頌專利代理有限公司 11403
• 代理人: 李莎

1.一種關聯大數據的隱私保護方法，其特征在于，包括：

通過機器學習和最大信息系數構建關聯大數據的因果關系模型；

通過k-相鄰數據集構建k-相關記錄差分隱私保護模型；

提供相關敏感度概念，通過所述因果關系模型計算所述k-相鄰數據集的相關敏感度，再利用means-Laplace機制實現k-相關記錄差分隱私保護；

利用最大信息系數-K-Means算法將所述關聯大數據進行r-塊劃分，得到多個相互獨立的數據子塊；

根據查詢函數計算所述數據子塊的相關敏感度，對每個數據子塊進行所述k-相關記錄差分隱私保護；

根據差分隱私組合性質，對所述關聯大數據集進行r-相關塊差分隱私的保護。

2.根據權利要求1所述的關聯大數據的隱私保護方法，其特征在于，所述k-相關記錄差分隱私保護模型包括：

其中，D₁為大數據集，D₂為大數據集D₁中k條記錄發生改變所生成，1≤k≤l，l為大數據集D1中的記錄條數，為隱私機制，f為查詢函數，Pr為概率分布，為實數集，∈為隱私預算。

3.根據權利要求2所述的關聯大數據的隱私保護方法，其特征在于，所述隱私機制滿足f為查詢函數，e為隨機噪聲，‖·‖₁為1范數。

4.根據權利要求2所述的關聯大數據的隱私保護方法，其特征在于，D₁和D₂為關聯大數據集，滿足|D₁ΔD₂|＝k，且1≤k≤l，大數據集D₁中具有n個數據，l條相關記錄，D₂為大數據集D₁中k條記錄發生改變所生成。

5.根據權利要求1所述的關聯大數據的隱私保護方法，其特征在于，所述因果關系模型為經過回歸分析后構建的神經網絡模型。

6.根據權利要求1所述的關聯大數據的隱私保護方法，其特征在于，所述r-相關塊差分隱私保護包括：

為待發布數據集B的隱私機制，Pr為概率分布，f為查詢函數，B^j和B^-j為鄰接數據集，為實數集，∈為隱私預算。

7.根據權利要求6所述的關聯大數據的隱私保護方法，其特征在于，所述待發布數據集B中的數據塊D_i滿足表示數據塊D_i與調整其第j條記錄后生成的數據塊相差r_i^j條記錄，1≤r_i^j≤|D_i|，為數據塊D_i的第j條記錄，為調整數據塊D_i的第j條記錄生成的數據塊，中不含第j條記錄。

8.根據權利要求6所述的關聯大數據的隱私保護方法，其特征在于，所述待發布數據集B滿足，為隨機數，

n為運算次數。

9.根據權利要求1所述的關聯大數據的隱私保護方法，其特征在于，所述相關敏感度概念為：

其中，CS為相關敏感度，為數據集，表示待發布數據集的第i個數據塊的任意一條記錄j，為調整的第j記錄，與為鄰接數據集，f為查詢函數，v(x_j)表示記錄x_j的取值，函數g表示x_j與其相關記錄之間的依賴關系。

10.一種應用于權利要求1至9任一項所述的關聯大數據的隱私保護方法的系統，其特征在于，包括：

因果關系模型構建模塊，用于通過機器學習和最大信息系數構建關聯大數據的因果關系模型；

k相關記錄差分隱私保護模型構建模塊，用于通過k-相鄰數據集構建k-相關記錄差分隱私保護模型；

k-相關記錄差分隱私保護實現模塊，用于提供相關敏感度概念，通過所述因果關系模型計算所述k-相鄰數據集的相關敏感度，再利用means-Laplace機制實現k-相關記錄差分隱私保護；

數據子塊劃分模塊，用于利用最大信息系數-K-Means算法將所述關聯大數據進行r-塊劃分，得到多個相互獨立的數據子塊；

數據子塊的k-相關記錄差分隱私模塊，用于根據查詢函數計算所述數據子塊的相關敏感度，對每個數據子塊進行所述k-相關記錄差分隱私；

r-相關塊差分隱私模塊，用于根據差分隱私組合性質，對所述關聯大數據集進行r-相關塊差分隱私的保護。