检索结果-南通市图书馆

抵制敏感属性相似性攻击的(p,k,d)-匿名模型

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

计算机工程 2018年第3期44卷 132-137页

作者：贾俊杰陈露婷西北师范大学计算机科学与工程学院兰州730070

针对当前p-Sensitive k-匿名模型未考虑敏感属性语义相似性,不能抵制相似性攻击的问题,提出一种可抵制相似性攻击的(p,k,d)-匿名模型。根据语义层次树对敏感属性值进行语义分析,计算敏感属性值之间的语义相异值,使每个等价类在满足k匿... 详细信息

针对当前p-Sensitive k-匿名模型未考虑敏感属性语义相似性,不能抵制相似性攻击的问题,提出一种可抵制相似性攻击的(p,k,d)-匿名模型。根据语义层次树对敏感属性值进行语义分析,计算敏感属性值之间的语义相异值,使每个等价类在满足k匿名的基础上至少存在p个满足d-相异的敏感属性值来阻止相似性攻击。同时考虑到数据的可用性,模型采用基于距离的度量方法划分等价类以减少信息损失。实验结果表明,提出的(p,k,d)-匿名模型相对于p-Sensitive k-匿名模型不仅可以降低敏感属性泄露的概率,更能有效地保护个体隐私,还可以提高数据可用性。

关键词：数据发布隐私保护 p—Sensitive k-匿名模型 (p,k ,d)-匿名模型相似性攻击

在线全文

学校读者我要写书评

暂无评论

抵制轨迹相似性攻击的隐私保护方法研究

抵制轨迹相似性攻击的隐私保护方法研究

作者：黄贺西北师范大学

学位级别：硕士

大数据时代的到来致使人们开始挖掘和运用海量数据,基于位置服务（LBS,Location Based Services）得到了广泛的应用并取得了不错的成果。但是,LB S在提供服务的前提是访问用户实时位置,服务过程可能会侵犯到用户位置或其他个人隐私。尤... 详细信息

大数据时代的到来致使人们开始挖掘和运用海量数据,基于位置服务（LBS,Location Based Services）得到了广泛的应用并取得了不错的成果。但是,LB S在提供服务的前提是访问用户实时位置,服务过程可能会侵犯到用户位置或其他个人隐私。尤其在连续LB S查询时,服务提供商（LBSP,Location Based Services Provider）中可能存在潜在的恶意攻击者,可以利用背景知识推断用户位置及轨迹隐私。目前,非常多的隐私泄露事件被报道,人们不断提高对自身隐私的关注度,如何有效保护用户隐私日益重要。文本针对已有基于位置服务隐私保护及轨迹隐私保护方案部分不足进行研究,主要工作内容如下:（1）分析现有LBS服务位置隐私保护方法,提出基于协作的个性化（k,r,s）-隐私保护方案,该方案主要针对连续查询服务,通过不断寻找协作用户,共享可用缓存信息,使用缓存数据满足查询请求。降低查询用户在连续位置查询中与LBSP之间的信息交互量,使LBSP无法获取足够的位置信息重构查询用户轨迹,有效防止差异识别攻击。（2）研究已有轨迹数据发布匿名模型,提出抵制轨迹相似性攻击的轨迹（k,e）-匿名模型,轨迹（k,e）-匿名模型主要对传统轨迹k-匿名进行改进,解决匿名集内因轨迹相似性过高而导致的轨迹隐私泄露问题。轨迹（k,e）-匿名模型创新之处在于将轨迹斜率视为敏感值,将至少k条不同斜率的轨迹聚为一类,并要求每个类内轨迹斜率差异值至少为e。本文研究目的是当用户使用LBS服务时,降低轨迹隐私泄露的可能性,同时降低轨迹数据发布时轨迹泄露隐私的可能性。在LBS连续查询中,本文算法通过协作用户共享缓存数据满足用户查询服务请求,有效减少发送到LBSP的真实信息量,防止轨迹重构,降低位置和轨迹隐私泄露概率。在轨迹数据发布中,通过对传统轨迹k-匿名模型进行改进,降低轨迹等价类内轨迹相似度,有效抵制轨迹相似性攻击,隐私保护程度显著提高。

关键词：位置隐私 (k,r,s)-协作隐私保护轨迹隐私轨迹(k,e)-匿名模型相似性攻击隐私保护

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

抵制敏感属性相似性攻击的隐私保护方法研究

抵制敏感属性相似性攻击的隐私保护方法研究

作者：陈露婷西北师范大学

学位级别：硕士

随着信息化时代的快速发展,数据挖掘技术在人类生活中被广泛应用。数据挖掘即从微数据中提取隐含的、未知的和潜在有用的数据信息,进行数据发布和共享,为各种组织机构之间的科学研究工作提供极大便利。同时,由于人们对自身隐私的关注度... 详细信息

随着信息化时代的快速发展,数据挖掘技术在人类生活中被广泛应用。数据挖掘即从微数据中提取隐含的、未知的和潜在有用的数据信息,进行数据发布和共享,为各种组织机构之间的科学研究工作提供极大便利。同时,由于人们对自身隐私的关注度不断提高,数据发布不仅要保证数据的可用性和实时性,而且要避免个体受到泄露隐私的危害。通过对现有众多隐私保护匿名模型的研究分析,发现已有的匿名模型大多都忽略敏感属性值之间的语义相似度,会遭受相似性攻击,导致隐私泄露,威胁个体安全。因此,本文针对现有匿名模型存在的不足展开了一系列的探究,具体工作为:(1)提出(p,k,d)-匿名模型,该模型能够防止敏感属性受到相似性攻击。由于Sensitivep-k-匿名模型不涉及敏感值的语义分析,容易遭受相似攻击,本文给出一种能够避免敏感属性相似性攻击的保护方法来解决存在的问题。提出的新模型是在发布表里任一等价类符合k-匿名的基础上,通过d来约束敏感值的语义相异程度,用p来控制每个等价类中敏感值满足d-相异程度的个数,使同一类内敏感值具有明显的差异性,减少隐私泄露风险。同时为提高数据质量,该模型采用基于距离的度量方法划分等价类。(2)提出面向多维敏感属性相似性攻击的(l,m,ε)-匿名模型,其中m为敏感属性的维数。现有的匿名模型大多面向单一的敏感属性,并且不能直接适用于多维敏感属性上,但是发布的数据中往往含有多个敏感属性,多维敏感属性相似性攻击问题也大量存在。为解决这个问题,在上一个工作的基础上,提出(l,m,ε)-匿名模型,该模型能够灵活设置每一维敏感属性的d-相异程度,然后计算出m维敏感属性的综合相异程度e,使发布表中每个等价类在敏感属性上至少存在l个满足综合相异度为e-相异的敏感值,抵制相似性攻击。为实现该算法采用KACA聚类方法生成等价类,提高数据可用性。本文研究隐私保护匿名技术,对现有匿名模型进行了详细分析和改进,通过实验结果分析证明:本文算法能够有效抵制敏感属性相似性攻击,并且在隐私保护程度和数据可用性上都有显著提高。

关键词：数据发布隐私保护 (p,k,d)-匿名模型 (l,m,ε)-匿名模型相似性攻击

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

一种抗相似性攻击的匿名保护方法

北京信息科技大学学报（自然科学版） 2020年第4期35卷 63-68页

作者：高帅徐雅斌武装北京信息科技大学网络文化与数字传播北京市重点实验室北京100101 北京信息科技大学计算机学院北京100101 北京信息科技大学北京材料基因工程高精尖创新中心北京100101

针对因敏感属性值语义相似而遭受到相似性攻击问题,提出一种抵抗相似性攻击的(k,e)算法。首先,根据敏感属性值构建敏感属性值语义层次树,计算敏感属性值相异度e,并根据敏感属性值相异度进行聚类;在此基础上,再按准标识符间距离进一步聚... 详细信息

针对因敏感属性值语义相似而遭受到相似性攻击问题,提出一种抵抗相似性攻击的(k,e)算法。首先,根据敏感属性值构建敏感属性值语义层次树,计算敏感属性值相异度e,并根据敏感属性值相异度进行聚类;在此基础上,再按准标识符间距离进一步聚类,为每一类选取出k条距离最近的记录;最后,对每一类的准标识符进行泛化。对比实验结果表明,(k,e)算法具有较小的信息损失度和较低的隐匿率。

关键词：相似性攻击匿名保护隐私保护聚类算法

在线全文

学校读者我要写书评

暂无评论

一种面向数据发布的个性化隐私保护匿名方法

一种面向数据发布的个性化隐私保护匿名方法

作者：陆灏湘潭大学

学位级别：硕士

随着社会步入大数据时代,每天都有数以万计的数据产生,当数据发布在为人们提供信息共享功能的同时,也给数据的隐私安全带来了威胁。因此,近些年来,如何防范数据发布过程中的隐私泄露已经成为信息安全领域的研究热点。数据匿名化技术,因... 详细信息

随着社会步入大数据时代,每天都有数以万计的数据产生,当数据发布在为人们提供信息共享功能的同时,也给数据的隐私安全带来了威胁。因此,近些年来,如何防范数据发布过程中的隐私泄露已经成为信息安全领域的研究热点。数据匿名化技术,因其原理简单,在造成较小信息损失的同时能够对数据进行较好的保护,安全性与可用性兼得。自从Latanya Sweeney等人正式提出了k-匿名的概念后,有学者通过实验证明k-匿名模型能够有效防范数据发布过程中由链接攻击导致的身份泄露,但其无法防范属性泄露。基于k-匿名模型的不足,l-diversity模型、t-closeness模型、p-sensitive k-匿名模型、(α,k)-匿名模型等许多改进的模型相继被提出,但都或多或少存在不足。本文在p-sensitive k-匿名模型和(α,k)-匿名模型的基础上,提出了一种面向数据发布的个性化隐私保护匿名模型。本文的主要创新点如下:第一,吸取p-sensitive k-匿名模型对敏感属性值进行多样性约束以抵抗同质性攻击的长处,以及吸取(α,k)-匿名模型通过约束敏感属性值的出现频率以抵抗偏斜性攻击的优点,将其综合运用于本文提出的模型中。第二,将敏感属性值根据其在语义上的相近性进行分组,使在语义上相近的敏感属性值尽可能地分散到不同等价类中,达到抵御相似性攻击的目的。第三,针对(α,k)-匿名模型用同一个频率约束阈值α约束所有敏感属性值的问题,提出根据用户(数据拥有者)的主观意愿对敏感属性值划分敏感度等级,并将对敏感属性值的频率约束进一步提升为对敏感度等级的频率约束,为不同的敏感度等级设置不同的频率约束阈值α,为高敏感度等级设置较低的频率约束阈值,为低敏感度等级设置较高的频率约束阈值。第四,考虑到个体不同的隐私保护需要,允许个体为自己的敏感信息设置隐私保护等级,根据保护等级的不同将敏感属性值进行不同程度的泛化,通过这样的方式可以避免对部分敏感属性值过度保护而对其他敏感属性值保护不足的情况发生,实现个性化隐私保护。本文基于UCI机器学习库中的基准数据集-Adult数据集进行仿真实验,验证所提出模型的性能,并与经典的k-匿名模型和(α,k)-匿名模型进行对比,实验结果表明,本文提出的模型在可以接受的信息损失下,隐私保护效果显著提高。

关键词：隐私保护 k-匿名数据发布相似性攻击

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于敏感信息邻近抵抗的匿名方法

计算机工程 2020年第12期46卷 142-149,184页

作者：桂琼吕永军程小辉桂林理工大学信息科学与工程学院广西桂林541004 武汉理工大学信息工程学院武汉430070

针对相似性攻击造成隐私泄露的问题,构建一种(r,k)-匿名模型,基于敏感属性语义关联,设定邻近抵抗阈值r,并提出满足该模型的匿名方法GDPPR。采用模糊聚类技术完成簇的划分,结合敏感属性相异度得出距离矩阵,使得每个等价类中相邻语义下的... 详细信息

针对相似性攻击造成隐私泄露的问题,构建一种(r,k)-匿名模型,基于敏感属性语义关联,设定邻近抵抗阈值r,并提出满足该模型的匿名方法GDPPR。采用模糊聚类技术完成簇的划分,结合敏感属性相异度得出距离矩阵,使得每个等价类中相邻语义下的敏感属性取值频率不高于阈值r,同时保证较高的数据可用性。在两个标准数据集上的实验结果表明,该方案能够较好地满足(r,k)-匿名模型,有效抵抗相似性攻击,减少泛化产生的信息损失。

关键词：数据匿名相似性攻击模糊聚类邻近抵抗数据泛化

在线全文

学校读者我要写书评

暂无评论

基于部分重编码的流数据发布隐私保护算法

吉林大学学报（理学版） 2018年第1期56卷 109-113页

作者：赵素蕊高双喜河北经贸大学计算机中心石家庄050061 河北经贸大学信息技术学院石家庄050061

针对流数据具有变化无常、流动极快、潜在无限等特征,相比静态数据隐私保护难度更大的问题,在流数据的基础上提出一种新的数据信息匿名算法,解决了敏感值及其敏感等级随数据转变而转变的难题,能有效地避免匿名流数据遭受链接攻击、相似... 详细信息

针对流数据具有变化无常、流动极快、潜在无限等特征,相比静态数据隐私保护难度更大的问题,在流数据的基础上提出一种新的数据信息匿名算法,解决了敏感值及其敏感等级随数据转变而转变的难题,能有效地避免匿名流数据遭受链接攻击、相似性攻击以及基于敏感分级的链接攻击威胁.仿真实验结果表明,该流数据匿名模型可有效地保护数据的匿名信息.

关键词：流数据匿名模型链接攻击相似性攻击敏感分级

在线全文

学校读者我要写书评

暂无评论

基于分类敏感属性语义距离的隐私保护模型

计算机应用研究 2011年第10期28卷 3823-3827页

作者：孙艳正陈伟鹤詹永照江苏大学计算机科学与通信工程学院江苏镇江212013

针对传统的k-匿名模型不能有效地解决数据发布中分类敏感属性的相似性攻击问题,提出了新的隐私保护模型——α-similarity k-anonymity模型。由于分类属性值并不是严格意义上有序的,目前缺少一种很好的方法来评价其相似程度。从语义学... 详细信息

针对传统的k-匿名模型不能有效地解决数据发布中分类敏感属性的相似性攻击问题,提出了新的隐私保护模型——α-similarity k-anonymity模型。由于分类属性值并不是严格意义上有序的,目前缺少一种很好的方法来评价其相似程度。从语义学角度出发,采用分类树的框架来衡量等价类中敏感属性值的语义相似性。实验结果表明,该模型不仅能有效解决身份泄露问题,还能有效解决相似性攻击问题,提供更好的隐私保护效果。

关键词：隐私保护数据发布 k-匿名敏感属性相似性攻击语义相似性

在线全文

学校读者我要写书评

暂无评论

基于敏感度的个性化(α,l)-匿名方法

计算机工程 2015年第1期41卷 115-120页

作者：赵爽陈力天津财经大学管理信息系统系天津300222

目前多数隐私保护匿名模型不能满足面向敏感属性值的个性化保护需求,也未考虑敏感属性值的分布情况,易受相似性攻击。为此,提出基于敏感度的个性化(α,l)-匿名模型,通过为敏感属性值设置敏感度,并定义等敏感度组的概念,对等价类中各等... 详细信息

目前多数隐私保护匿名模型不能满足面向敏感属性值的个性化保护需求,也未考虑敏感属性值的分布情况,易受相似性攻击。为此,提出基于敏感度的个性化(α,l)-匿名模型,通过为敏感属性值设置敏感度,并定义等敏感度组的概念,对等价类中各等敏感度组设置不同的出现频率,满足匿名隐私保护的个性化需求。通过限制等价类中同一敏感度的敏感属性值出现的总频率,控制敏感属性值的分布,防止相似性攻击。提出一种基于聚类的个性化(α,l)-匿名算法,实现匿名化处理。实验结果表明,该算法能以与其他l-多样性匿名模型近似的信息损失量和时间代价,提供更好的隐私保护。

关键词：隐私保护 l-多样性敏感度聚类个性化相似性攻击