8、隐私保护数据挖掘中的乘法扰动方法综述

隐私保护数据挖掘中的乘法扰动方法综述

1. 引言

数据扰动是数据所有者在发布数据前进行的数据转换过程，其目的有两个：一是改变数据以掩盖敏感信息，二是最大程度保留对构建有意义的数据挖掘模型至关重要的特定领域数据属性，从而维持发布数据集的特定挖掘任务数据效用。

数据扰动技术是隐私保护数据挖掘中最流行的模型之一，适用于数据所有者希望参与协作挖掘但又防止隐私敏感信息泄露的应用场景。目前已经提出了多种扰动技术，其中最流行的是专注于单维扰动并假设数据列之间相互独立的随机化方法。近年来，多维数据扰动技术也有了一些发展，如使用k - 最近邻（kNN）方法的凝聚方法、使用kd - 树的多维K - 匿名化以及乘法数据扰动技术。

乘法数据扰动包括三种特定的扰动技术：旋转扰动、投影扰动和几何扰动。与其他多维数据扰动方法相比，这些扰动在隐私保护数据分类和数据聚类方面具有独特的属性，它们都能（近似）保留距离或内积，这对许多分类和聚类模型很重要。因此，基于乘法数据扰动的分类和聚类挖掘模型与基于原始数据的模型具有相似的准确性。乘法数据扰动的主要挑战是如何最大化所需的数据隐私，而其他许多数据扰动技术则侧重于在保留的数据效用和准确性水平与保证的数据隐私水平之间寻求更好的平衡。

2. 数据隐私与数据效用

扰动技术通常用两个基本指标来评估：隐私保证水平和特定模型的数据效用保留水平，后者通常通过数据分类和数据聚类的准确性损失来衡量。所有数据扰动算法的最终目标是通过最大化实现的数据隐私和数据效用，优化数据转换过程。然而，在许多现有的扰动技术中，这两个指标通常代表着两个相互冲突的目标。

数据隐私通常通过从扰动数据估计原始数据的难度来衡量。给定一种数据扰动技术，从扰动数据估计