3、隐私保护数据挖掘模型与算法综述

隐私保护数据挖掘模型与算法综述

1. 引言

随着互联网上敏感信息的广泛传播，数据挖掘被视为对隐私的威胁，这促使人们对隐私保护数据挖掘技术进行了深入研究。隐私保护数据挖掘在一些本应侵犯隐私的应用中也有重要作用，关键在于设计出既有效又不损害安全的方法。

大多数隐私计算方法会对数据进行某种形式的转换，以降低数据表示的粒度来保护隐私，但这也会导致数据管理或挖掘算法的有效性有所损失，这就是信息损失和隐私之间的自然权衡。常见的技术包括：
- 随机化方法 ：向数据中添加噪声以掩盖记录的属性值，然后从扰动后的记录中推导聚合分布，再开发相应的数据挖掘技术来处理这些分布。
- k - 匿名模型和 l - 多样性 ：k - 匿名模型通过泛化和抑制等技术降低数据表示的粒度，确保每个记录至少与 k 个其他记录无法区分；l - 多样性模型则是为了弥补 k - 匿名模型在保护敏感值方面的不足。
- 分布式隐私保护 ：在数据分区的情况下，各实体可以通过各种协议进行有限的信息共享，以在保护隐私的同时获得整个数据集的聚合结果。
- 降低应用有效性 ：对数据挖掘和管理应用的输出进行处理，防止对手从结果中推断出敏感信息，例如关联规则隐藏、分类器降级和查询审计等。

2. 随机化方法

随机化方法传统上用于通过概率分布扭曲数据，以解决因隐私问题导致的调查回答偏差。在隐私保护数据挖掘中，该方法的过程如下：
对于一组数据记录 (X = {x_1 \cdots x_N})，为每个记录 (x_i \in X)