[發(fā)明專(zhuān)利]一種滿足LKC模型的分類(lèi)樹(shù)差分隱私保護(hù)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202011227876.1
• 申請(qǐng)日: 2020-11-06
• 公開(kāi)（公告）號(hào): CN112131608A
• 公開(kāi)（公告）日: 2020-12-25
• 發(fā)明（設(shè)計(jì)）人: 李曉會(huì);白雨靚;李波;伊華偉;賈旭;李銳
• 申請(qǐng)（專(zhuān)利權(quán)）人: 遼寧工業(yè)大學(xué)
• 主分類(lèi)號(hào): G06F21/62
• 分類(lèi)號(hào): G06F21/62;G06F16/906;G06F16/29
• 代理公司: 北京遠(yuǎn)大卓悅知識(shí)產(chǎn)權(quán)代理有限公司 11369
• 代理人: 劉小嬌

本發(fā)明公開(kāi)了一種滿足LKC模型的分類(lèi)樹(shù)差分隱私保護(hù)方法，包括如下步驟：步驟1、根據(jù)待發(fā)布數(shù)據(jù)確定需要全局抑制的序列集合；步驟2、根據(jù)所述序列集合中的軌跡數(shù)據(jù)計(jì)算新產(chǎn)生的最小違反序列；其中，當(dāng)產(chǎn)生新的最小違反序列時(shí)，舍棄所述最小違反序列；步驟3、當(dāng)未產(chǎn)生新的最小違反序列時(shí)，根據(jù)所述序列集合中的軌跡數(shù)據(jù)建立分類(lèi)樹(shù)并通過(guò)拉普拉斯機(jī)制對(duì)數(shù)據(jù)進(jìn)行添加噪聲得到發(fā)布數(shù)據(jù)。

技術(shù)領(lǐng)域

本發(fā)明涉及信息安全技術(shù)領(lǐng)域，尤其涉及一種滿足LKC模型的分類(lèi)樹(shù)差分隱私保護(hù)方法。

背景技術(shù)

軌跡數(shù)據(jù)中包含大量移動(dòng)用戶的個(gè)人信息，研究人員通過(guò)對(duì)軌跡數(shù)據(jù)的分析和探索，從中獲取大量有價(jià)值的信息用以對(duì)用戶信息的隱私保護(hù)研究。如果這些軌跡數(shù)據(jù)在發(fā)布前沒(méi)有得到有效的隱私保護(hù)處理，那么掌握背景知識(shí)的攻擊者就可以通過(guò)分析軌跡數(shù)據(jù)推斷出用戶的隱私信息，例如身體疾病、家庭收入等，這會(huì)導(dǎo)致用戶的經(jīng)濟(jì)損失甚至人身安全問(wèn)題。如果原始的軌跡數(shù)據(jù)集在發(fā)布過(guò)程中處理不當(dāng)，則會(huì)導(dǎo)致用戶信息的大量損失，降低發(fā)布數(shù)據(jù)的可用性和完整性，造成信息的浪費(fèi)。所以確保所發(fā)布的軌跡數(shù)據(jù)不會(huì)泄露用戶隱私的同時(shí)擁有較高的數(shù)據(jù)可用性是一個(gè)待解決的研究課題。

現(xiàn)階段，對(duì)于軌跡數(shù)據(jù)發(fā)布中隱私保護(hù)方法研究已取得了一定的成果。例如，Mohammed等提出了一種適用于RFID數(shù)據(jù)的LKC隱私模型，并利用一種匿名算法來(lái)實(shí)現(xiàn)LKC隱私模型。該算法首先在軌跡數(shù)據(jù)集中識(shí)別出最小違反序列集，然后通過(guò)貪心法對(duì)違反序列進(jìn)行全局抑制，達(dá)到盡可能減少最大頻繁序列損失的目的，但全局抑制的方法需要將大量數(shù)據(jù)刪除，沒(méi)有有效提高數(shù)據(jù)可用性。Chen等人通過(guò)(K,C)L隱私模型及算法提出了局部抑制的概念。該算法首先確定軌跡數(shù)據(jù)集中不滿足(K,C)L隱私模型要求的所有序列；然后在保證數(shù)據(jù)高效可用性的前提下，通過(guò)局部抑制將軌跡數(shù)據(jù)集簡(jiǎn)化。Ghasemzadeh等人通過(guò)對(duì)LKC-隱私模型中C＝1的情況進(jìn)行研究，通過(guò)全局抑制來(lái)實(shí)現(xiàn)對(duì)軌跡數(shù)據(jù)的隱私保護(hù)；Komishani等人提出一種泛化敏感信息的隱私保護(hù)算法，該算法通過(guò)對(duì)敏感信息屬性建立分類(lèi)樹(shù)來(lái)實(shí)現(xiàn)對(duì)高維軌跡數(shù)據(jù)集的抑制，但由于不確定攻擊者所掌握背景知識(shí)的長(zhǎng)度，所以抑制了大量數(shù)據(jù)，造成了數(shù)據(jù)集挖掘價(jià)值的損失。

發(fā)明內(nèi)容

基于現(xiàn)有研究成果及存在的問(wèn)題，本發(fā)明設(shè)計(jì)開(kāi)發(fā)了一種滿足LKC模型的分類(lèi)樹(shù)差分隱私保護(hù)方法，本發(fā)明的發(fā)明目的是解決對(duì)軌跡數(shù)據(jù)進(jìn)行全局抑制會(huì)造成數(shù)據(jù)可用性降低及降低用戶隱私泄露風(fēng)險(xiǎn)的問(wèn)題。

本發(fā)明提供的技術(shù)方案為：

一種滿足LKC模型的分類(lèi)樹(shù)差分隱私保護(hù)方法，包括如下步驟：

步驟1、根據(jù)待發(fā)布數(shù)據(jù)確定需要全局抑制的序列集合；

步驟2、根據(jù)所述序列集合中的軌跡數(shù)據(jù)計(jì)算新產(chǎn)生的最小違反序列；

其中，當(dāng)產(chǎn)生新的最小違反序列時(shí)，舍棄所述最小違反序列；

步驟3、當(dāng)未產(chǎn)生新的最小違反序列時(shí)，根據(jù)所述序列集合中的軌跡數(shù)據(jù)建立分類(lèi)樹(shù)并通過(guò)拉普拉斯機(jī)制對(duì)數(shù)據(jù)進(jìn)行添加噪聲得到發(fā)布數(shù)據(jù)。

優(yōu)選的是，在所述步驟2中，計(jì)算新產(chǎn)生的最小違反序列包括：

步驟2.1、在所述序列集合找出軌跡數(shù)據(jù)集中的最小違反序列集，并根據(jù)給定的頻繁閾值，確定最大頻繁序列集；

步驟2.2、構(gòu)建MFS樹(shù)，根據(jù)位置點(diǎn)的抑制優(yōu)先級(jí)得分確定抑制的順序；

步驟2.3、根據(jù)所述抑制的順序更新MFS；

步驟2.4、重新計(jì)算其余位置點(diǎn)的抑制優(yōu)先級(jí)得分，更新最小違反序列集后，得到所述最小違反序列。

優(yōu)選的是，在所述步驟2.2中，所述抑制優(yōu)先級(jí)得分為