28、用于保护垂直分区数据集中数据隐私的新型安全向量积

用于保护垂直分区数据集中数据隐私的新型安全向量积

1. 引言

随着数据收集、存储和网络技术的飞速发展，组织积累了海量数据。据估计，每20个月信息的体积就会翻倍，数据库的数量也在迅速增加。传统技术和工具难以处理如此庞大的数据，而数据挖掘结合了复杂的算法和数据分析方法，能够从海量数据中提取隐藏信息。

数据挖掘在金融、银行、营销、医疗诊断、电信和制造业等领域有广泛应用。它不仅能帮助企业维护客户资料和产品信息，还能提取有价值的知识，辅助决策和业务规划。然而，在数据收集、处理和挖掘过程中，保护个人隐私是一个巨大的挑战。隐私和数据挖掘之间存在冲突，但在实际的数据挖掘中，并非一定要侵犯隐私。

安全向量积是许多信息挖掘计算的核心活动。本文旨在设计一种高效、实用的安全向量积计算方法，以降低通信和计算成本，并在垂直分区数据上有效地进行安全决策树归纳。

大多数商业产品采用的DM方法是基于解耦架构的。这种方法需要数据分析师大量准备工作，将数据提取并转换为工具所需的特定形式。它提供的是固定的DM范式，当需求变化时缺乏通用性，且提取的规则难以与数据库中的数据融合。

本文接下来将介绍相关工作、问题定义、初始级决策树归纳算法、垂直分区数据上的决策树归纳算法、提出的方法、实验结果和讨论，最后给出结论和未来工作展望。

2. 相关工作

基于密码学的策略是解决精度 - 保护权衡的重要方法。安全信息挖掘结果在策略上是精确的，并且在预定的保证限制下保护私有数据。安全信息挖掘中使用的密码技术具有加法同态加密和交换加密等特性，大多数安全分布式信息挖掘协议都依赖于这些特性。

在安全分布式信息挖掘计算中，常见的挑战是处理大规模数