[發明專利]一種基于貝葉斯網絡的數據隱私保護技術研究

在審

• 申請號: 202011532132.0
• 申請日: 2020-12-23
• 公開（公告）號: CN114662137A
• 公開（公告）日: 2022-06-24
• 發明（設計）人: 周松波;曾璇燕;周松遠;柯婷婷
• 申請（專利權）人: 廣州皮卡充科技有限公司
• 主分類號: G06F21/62
• 分類號: G06F21/62;G06N7/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

本文公布了一種基于貝葉斯網絡的數據隱私保護技術，所述方法包括：引入貝葉斯網絡到差分隱私保護模型；使用語義樹的結構來描述含有層次關系的數據屬性；通過貝葉斯網絡描述數據屬性之間的依賴關系；利用格雷碼減少隨機噪聲對數據精度的影響。本發明通過結合語義樹和貝葉斯網絡的方法，保證了發布數據精度，提高了隱私預算的利用率。

技術領域

本發明涉及數據保護技術領域，尤其涉及一種基于貝葉斯網絡的數據隱私保護技術研究。

背景技術

在互聯網高速發展的成長期，數據信息在存儲、傳播、交換等過程中面臨著很多安全風險。數據存在安全隱患可能會給用戶帶來巨大的損失。如何保護隱私數據和防止信息泄露日漸被人們所關注，其中，既能保證數據的隱私性，又能保證數據的可用性一直是數據隱私研究最核心的內容。在不同的技術中，由于可以假設攻擊者擁有最強的先驗知識，差分隱私保護技術逐漸成為近年來的研究熱點，并在現實實踐中得到了很廣泛的應用。

在對現有技術的研究和實踐中，本發明的發明人發現，現有的網絡通信指標分析方法，主要面臨以下問題：

(1)傳統隱私保護方法通常需要注入過量的噪聲，這使得接下來發布的數據精度較低

(2)引入貝葉斯網絡結構的方法沒有充分利用數據語義關系來減少對隱私預算的消耗，存在隱私預算利用率低的問題。

發明內容

本發明所要解決的技術問題在于，提供一種基于貝葉斯網絡的數據隱私保護技術，結合語義樹和貝葉斯網絡的方法，保證了發布數據精度，提高了隱私預算的利用率。

為解決上述問題，本發明的一個實施例提供一種基于貝葉斯的差分隱私保護模型的方法，包括：

結合局部敏感度和平滑上界來決定插入的隨機噪聲量；

使用Laplace機制和指數機制發布數據；

采用F函數作為打分函數；

對多類別屬性變量進行編碼；

根據連續型屬性的語義組成具有層次結構的樹；

根據貝葉斯方法學習參數。

進一步地，所述的插入的隨機噪聲量依據為局部敏感度和平滑上界。

局部敏感度用來衡量一個函數對數據集中變化的敏感程度大小，其數值大小還和數據集本身相關。假設函數f:D→R^d可以將數據集D轉化為向量d，函數f的局部敏感度定義為：

其中，D₂為D₁的任一鄰近數據集，||f(D₁)-f(D₂)||₁為f(D₁)與f(D₂)的1階范數距離。

平滑上界指的是某個函數S:D→R滿足S(D₁)≥LS(f,D₁)且S(D₁)≤e^βS(D₂)；其中β＞0。

進一步地，所述的發布數據的實現機制為在連續型數據中插入服從Laplace概率分布的隨機噪聲，在離散型數據根據打分函數輸出查詢結果，具體地：

Laplace機制為對于數據集D和任意查詢函數f:D→R^d，算法A使得A(D)＝f(D)+N；其中，N～Lap(S(f)/ε)。

指數機制為對于數據集D和任意查詢函數f:D→R，打分函數q:(D×R)→O。其中，打分函數q將查詢函數f的值域R映射到實數集O，f的查詢結果r(r∈R)越接近真實值，則獲得分數o(o∈O)越高。算法A以正比于的概率從值域R中選擇并輸出r。敏感度根據打分函數q來定義：