18、基于多模块聚类的数据匿名化方法

基于多模块聚类的数据匿名化方法

1. 引言

如今，数据已深入到人类生活的几乎各个领域。传感器、社交网络、移动应用和物联网收集数据，用于处理、分析、更改和学习。为了在不影响数据隐私的前提下利用这些数据，需要满足多个标准，尤其是与数据集中人员安全相关的标准。

数据匿名化是一种维护数据隐私的技术，出于统计原因，该技术已使用了一段时间。它是指在保留数据结构和知识的同时，去除敏感信息的身份标识，通常通过隐藏一个或多个变量来保持数据的独特属性。政府和机构共享数据的需求推动了对数据匿名化的兴趣增长。开放数据虽然是一个有吸引力的研究课题，但也具有挑战性，因为数据必须永久匿名化，同时尽量降低重新识别的可能性，并保证数据质量适合分析目的。共享接近真实的数据使服务提供商能够试验新的挖掘算法，从大型数据集中提取见解，而不暴露数据集中人员的身份。

早期解决隐私与效用平衡问题的策略主要依赖随机化技术，即向数据中引入噪声，但这种方法因数据重建的可行性而被证明是无效的。k - 匿名化技术的引入降低了使用随机化导致的数据隐私侵犯风险。该技术首先去除关键标识符（如姓名和地址），然后对伪标识符（如出生日期、邮政编码、性别和年龄）进行泛化和/或抑制。选择合适的 k 值以保留数据库的信息。由于 k - 匿名性是一种基于组的技术，聚类成为主要目标。

本文提出两种实现 k - 匿名性的方法：k - CMVM 和 Constrained - CMVM。这两种方法都依赖拓扑协作聚类来生成 k - 匿名数据。前者计算 k 级别，后者通过研究和实验来确定 k 级别。我们利用自组织映射（SOM）的拓扑结构及其减少局部最优的能力，将 SOM 作为聚类方法，因为它在可视化和模式识别等实际应用中表现良好。协作学习技术可以