15、用于验证结果完整性的变形方法

用于验证结果完整性的变形方法

在数据挖掘领域，验证外包服务返回结果的完整性至关重要。下面将详细介绍一种用于验证结果完整性的变形方法，包括实验设置、结果分析以及与其他方法的比较。

1. 实验主体与恶意行为模拟

• 实验主体 ：选择SPMF（一个用Java编写的开源数据挖掘库，专注于模式挖掘）进行实验。使用Apriori算法生成原始源输出和后续输出。
• 恶意行为模拟 ：在模拟中，将源输入和后续输入分别输入到频繁项集（FI）挖掘器中，并收集实际输出。然后通过各种策略对输出进行变异，以模拟恶意行为。考虑三种类型的恶意行为：
  • 删除（Deletion） ：服务器从真实结果中排除一些频繁项集。形式上，服务器选择一些项集 $X_1, X_2, \cdots, X_k \in IFT_R$，并返回 $IFR_E = IFT_R - X_1 - X_2 - \cdots - X_k$。
  • 插入（Insertion） ：服务器在返回的频繁项集集中包含一些非真实频繁项集，并声明这些项集是频繁的。形式上，服务器选择一些项集 $X_1 \notin IFT_R, X_2 \notin IFT_R, \cdots, X_k \notin IFT_R$，并返回 $IFR_E = IFT_R \cup X_1 \cup X_2 \cup \cdots \cup X_k$。
  • 替换（Replacement） ：服务器选择一些频繁项集并