數(shù)據(jù)挖掘中敏感信息安全問題的探討

陳麗珊

（福建廣播電視大學莆田分校，福建莆田，351100）

數(shù)據(jù)挖掘中敏感信息安全問題的探討

陳麗珊

（福建廣播電視大學莆田分校，福建莆田，351100）

本文主要介紹在數(shù)據(jù)挖掘中敏感信息的安全防護，給出了幾種敏感信息安全的解決方案，提出對建立數(shù)據(jù)挖掘系統(tǒng)信息安全防護系統(tǒng)的幾點看法。

數(shù)據(jù)挖掘；敏感數(shù)據(jù)；敏感知識；安全防護

移動通信、計算機、泛在網(wǎng)絡等技術(shù)的迅猛發(fā)展，使得數(shù)據(jù)呈現(xiàn)爆炸式增長、位置隨機分布等特點，為使得這些數(shù)據(jù)能夠被有效利用，數(shù)據(jù)挖掘技術(shù)應運而生。當前數(shù)據(jù)挖掘中廣泛采用的方法有關(guān)聯(lián)規(guī)則挖掘、聚類挖掘、分類預測等，這些方法主要是對隱藏在海量數(shù)據(jù)中的知識進行挖掘，同時也需要有效避免敏感信息泄露。如何在數(shù)據(jù)發(fā)布過程中防止敏感知識、敏感數(shù)據(jù)泄露已成為信息安全領(lǐng)域和數(shù)據(jù)挖掘領(lǐng)域的重要課題，以敏感信息安全防護技術(shù)為前提的數(shù)據(jù)挖掘技術(shù)是實現(xiàn)互聯(lián)網(wǎng)+時代發(fā)展的重要影響因素。針對敏感知識和敏感數(shù)據(jù)這兩類敏感信息安全問題，本文主要對聚類挖掘和關(guān)聯(lián)規(guī)則挖掘技術(shù)及實現(xiàn)算法進行介紹，對常用的隱私保護技術(shù)進行了介紹，最后建立了敏感信息安全防護技術(shù)的評價指標體系。

一、數(shù)據(jù)挖掘相關(guān)技術(shù)概述

（一）數(shù)據(jù)挖掘技術(shù)的發(fā)展現(xiàn)狀

信息爆炸與知識匱乏是人類社會進入信息時代的特有矛盾，如何有效實現(xiàn)在海量信息中抽取有用的知識，是當下信息科學的熱點研究領(lǐng)域之一。數(shù)據(jù)挖掘技術(shù)就是要從海量的、模糊的、有偏差的、隨機的、不完全的數(shù)據(jù)中提取隱含其中的潛在有用數(shù)據(jù)，實現(xiàn)潛在有用信息和知識的發(fā)現(xiàn)。數(shù)據(jù)挖掘技術(shù)的應用在單一數(shù)據(jù)庫時代就已開始，到現(xiàn)如今泛在信息的數(shù)據(jù)挖掘，數(shù)據(jù)挖掘技術(shù)正在不斷發(fā)展與成熟，同時企業(yè)、組織機構(gòu)對數(shù)據(jù)分析的迫切需求，使得數(shù)據(jù)挖掘技術(shù)正在不斷的應用中發(fā)揮其獨特魅力。以數(shù)據(jù)挖掘技術(shù)為核心的商業(yè)智能技術(shù)為例，已廣泛應用于軍隊管理、教育預測、公共環(huán)境監(jiān)測和防護等諸多方面，通過商業(yè)智能技術(shù)將獲得的數(shù)據(jù)以分析結(jié)果的形式展現(xiàn)在決策人員面前，大大提高了社會運行效率。

1.數(shù)據(jù)挖掘相關(guān)技術(shù)原理

在介紹數(shù)據(jù)挖掘技術(shù)的基本發(fā)展現(xiàn)狀的基礎上，著重介紹當前比較流行的聚類挖掘和關(guān)聯(lián)規(guī)則挖掘兩種數(shù)據(jù)挖掘技術(shù)的基本原理及相應的算法。

（1）聚類挖掘的原理及算法

聚類挖掘技術(shù)是指通過一定的分類原則，將物理抽象對象根據(jù)原則分為不同的組，組內(nèi)的物理抽象對象是高度相似的，并能夠通過原則進行描述，而不同組之間的物理抽象對象關(guān)聯(lián)度較低。根據(jù)不同的聚類原則，可將聚類挖掘技術(shù)分為劃分聚類分析方法、分層聚類分析方法、基于密度的聚類分析方法等，在實際使用中即可作為數(shù)據(jù)挖掘的工具使用，也可作為數(shù)據(jù)準備的預處理工具。典型應用場景為對企業(yè)的客戶群進行歸類分析，劃定客戶等級或類型，并分析不同等級或類型客戶的行為。

（2）關(guān)聯(lián)規(guī)則挖掘的原理及算法

關(guān)聯(lián)規(guī)則挖掘技術(shù)則是通過數(shù)據(jù)發(fā)現(xiàn)兩個研究對象之間的關(guān)聯(lián)，根據(jù)關(guān)聯(lián)度實現(xiàn)從已知事務去推斷另一事務出現(xiàn)的可信概率。關(guān)聯(lián)規(guī)則挖掘技術(shù)的典型算法為Apriori算法，通過兩階段分析形成事務間關(guān)聯(lián)規(guī)則：第一步尋找頻繁項集，第二步對頻繁項集分析，推導出關(guān)聯(lián)規(guī)則，通過關(guān)聯(lián)規(guī)則就可以分析事務之間的關(guān)聯(lián)度，從而為用戶提供有用的信息。典型應用場景為商場/超市的購物籃分析，可通過Apriori算法分析客戶的購買習慣，即購買一件貨物后最有可能購買的另一件貨物，從而優(yōu)化商場/超市的貨品擺放位置，提升銷售額。

（3）數(shù)據(jù)挖掘的基本流程

①數(shù)據(jù)準備：要達到數(shù)據(jù)挖掘的目的，在開始之前的數(shù)據(jù)準備是必不可少的，也是非常重要的環(huán)節(jié)，直接影響數(shù)據(jù)挖掘最終結(jié)果的可信度。數(shù)據(jù)準備通常包括數(shù)據(jù)收集、數(shù)據(jù)選取、數(shù)據(jù)預處理三個基本步驟，對數(shù)據(jù)集的規(guī)模、質(zhì)量等進行預先處理。②數(shù)據(jù)收集：根據(jù)數(shù)據(jù)挖掘的具體要求，收集相關(guān)數(shù)據(jù)，形成數(shù)據(jù)集。在收集過程中可能需要對多個數(shù)據(jù)源的某些數(shù)據(jù)進行讀取，也可能是結(jié)構(gòu)化/非結(jié)構(gòu)化數(shù)據(jù)混合，也有可能需要在互聯(lián)網(wǎng)上抓取目標數(shù)據(jù)，這就需要采用不同的數(shù)據(jù)收集工具，完成目標數(shù)據(jù)倉庫的建立。③數(shù)據(jù)選?。涸跀?shù)據(jù)收集過程中，可能會將無關(guān)數(shù)據(jù)也采集到了數(shù)據(jù)倉庫中，這就需要根據(jù)數(shù)據(jù)挖掘的任務需求，對數(shù)據(jù)倉庫中的數(shù)據(jù)進行篩選。④數(shù)據(jù)預處理：在數(shù)據(jù)收集過程中，數(shù)據(jù)源的數(shù)據(jù)可能是異構(gòu)的、不完整的并且地理上是散布的，存在大量的冗余大數(shù)據(jù)及無用數(shù)據(jù)，為避免數(shù)據(jù)挖掘算法陷入無效的海量數(shù)據(jù)處理過程，這就需要對數(shù)據(jù)進行預處理，如缺失數(shù)據(jù)合理填補、數(shù)據(jù)噪聲濾波等等。

（二）模式發(fā)現(xiàn)及評估

該步驟主要目的是通過分析數(shù)據(jù)倉庫中預處理完畢的數(shù)據(jù)文件，發(fā)現(xiàn)其中的規(guī)律，從而選擇較為合適的數(shù)據(jù)挖掘技術(shù)，并采用高效的算法實現(xiàn)數(shù)據(jù)采集、分析，挖掘潛在有用知識。

（三）結(jié)果的表示及評估

通過模式發(fā)現(xiàn)及評估之后，得到了海量數(shù)據(jù)的挖掘結(jié)果，獲取了數(shù)據(jù)倉庫中數(shù)據(jù)的潛在有用信息，包括規(guī)則、規(guī)律、模式等等。在結(jié)果表示及評估階段，則是需要利用數(shù)據(jù)可視化工具，將這些有用信息進行表示，結(jié)合具體的業(yè)務背景，對獲取的信息進行評估。數(shù)據(jù)挖掘結(jié)果評估是一個反復過程，通過挖掘結(jié)果與預期結(jié)果的比對，需要適時對數(shù)據(jù)挖掘流程進行調(diào)整，以獲得數(shù)據(jù)挖掘預期結(jié)果。

二、敏感信息安全問題

在數(shù)字化時代以前，個人及企業(yè)等實體的數(shù)據(jù)信息流通性較差，且大都保存在可信的政府結(jié)構(gòu)內(nèi)部。隨著移動互聯(lián)網(wǎng)時代的來臨，個人及企業(yè)等實體的數(shù)據(jù)信息流動性增強，大量的企業(yè)為獲取市場信息，也能夠獲取并掌握海量的個人及企業(yè)等實體數(shù)據(jù)，即便是個人也可能掌握有海量的數(shù)據(jù)信息，在某些方面數(shù)據(jù)掌握的完整性甚至超過政府機構(gòu)。這些海量數(shù)據(jù)在移動互聯(lián)網(wǎng)時代能夠為企業(yè)及個人創(chuàng)造價值。與此同時，這些海量數(shù)據(jù)的快速流動，也為個人及企業(yè)敏感數(shù)據(jù)信息帶來了危害，數(shù)據(jù)一旦泄露將造成個人隱私侵犯及企業(yè)機密暴露。近年來，移動互聯(lián)網(wǎng)企業(yè)數(shù)據(jù)泄露事件已經(jīng)表明，敏感信息安全問題必須引起足夠重視。

（一）敏感知識安全問題

通過數(shù)據(jù)挖掘工具的敏感知識包括范圍性、大概值、存在性等方面知識。范圍性敏感知識則是指對原始數(shù)據(jù)的概括性描述，雖然從數(shù)據(jù)挖掘結(jié)果中無法得到敏感原始數(shù)據(jù)的精確值，但通過對結(jié)果的合理推斷，可以反推敏感核心數(shù)據(jù)的大概范圍，這也會造成敏感信息泄露。大概性敏感知識則是指通過查詢、分析數(shù)據(jù)挖掘結(jié)果從而確定某個敏感數(shù)據(jù)的出現(xiàn)概率。如通過對個人信息關(guān)系表的查詢，可通過多次查詢，成功推測出某個個人的隱私數(shù)據(jù)。存在性敏感知識則是指數(shù)據(jù)本身是否包含某個敏感數(shù)據(jù)，數(shù)據(jù)值本身并不影響該知識的表達，通過查詢數(shù)據(jù)挖掘結(jié)果，判斷該敏感數(shù)據(jù)是否為空，能夠查詢則可能導致敏感信息泄露。否定結(jié)果的敏感知識則是指通過對數(shù)據(jù)挖掘結(jié)果進行否定結(jié)果查詢，從而得知某些敏感數(shù)據(jù)是否存在于數(shù)據(jù)挖掘的數(shù)據(jù)集中，從而導致敏感信息泄露。

（二）敏感數(shù)據(jù)安全問題

敏感數(shù)據(jù)一般是指個人或企業(yè)的原始隱私數(shù)據(jù)，原始隱私數(shù)據(jù)以結(jié)構(gòu)化數(shù)據(jù)或非結(jié)構(gòu)化的描述性語言出現(xiàn)。結(jié)構(gòu)化數(shù)據(jù)主要存在于公司或個人的業(yè)務應用程序、企業(yè)數(shù)據(jù)庫、企業(yè)信息管理系統(tǒng)、個人或企業(yè)存儲設備/備份存儲設備以及第三方服務提供商的存儲設備中。非結(jié)構(gòu)化描述性語言則散布于個人或企業(yè)的整個終端設備中，包括PC機、移動智能終端、可移動存儲設備等網(wǎng)絡終端上。原始的數(shù)據(jù)挖掘技術(shù)就是基于這些敏感數(shù)據(jù)進行的，因此原始的結(jié)構(gòu)化、非結(jié)構(gòu)化數(shù)據(jù)交給數(shù)據(jù)挖掘技術(shù)，一旦泄露，將對個人或企業(yè)造成極大影響。

（三）數(shù)據(jù)挖掘中敏感信息安全保護技術(shù)

現(xiàn)有的數(shù)據(jù)挖掘中敏感信息安全防護技術(shù)根據(jù)數(shù)據(jù)分布不同、數(shù)據(jù)處理算法不同、數(shù)據(jù)挖掘算法不同、敏感信息的保護對象不同可以進行不同分類。根據(jù)敏感信息安全問題的分類，這里主要介紹敏感知識安全防護技術(shù)和敏感數(shù)據(jù)安全防護技術(shù)兩類。

對敏感知識安全防護技術(shù)主要是將數(shù)據(jù)挖掘中所發(fā)現(xiàn)的敏感知識或全部知識作為防護對象。根據(jù)知識的表達方式，可將其分為基于頻繁模式、基于關(guān)聯(lián)規(guī)則、基于統(tǒng)計學原理等多種不同敏感知識保護模式，這里主要對基于知識匿名化的敏感知識保護技術(shù)。

對敏感數(shù)據(jù)安全防護技術(shù)主要是將原始敏感數(shù)據(jù)或全部原始數(shù)據(jù)作為防護對象。根據(jù)采用的安全防護技術(shù)原理的差異，可將其實現(xiàn)分為基于數(shù)據(jù)干擾的安全防護技術(shù)、基于安全多方計算的安全防護技術(shù)、基于數(shù)據(jù)匿名化的安全防護技術(shù)等不同模式，這里主要介紹基于數(shù)據(jù)干擾和知識匿名化的敏感數(shù)據(jù)安全防護模式。

1.基于數(shù)據(jù)干擾的模式

從數(shù)據(jù)挖掘的應用背景來看，通常是對海量數(shù)據(jù)進行處理，以發(fā)現(xiàn)海量數(shù)據(jù)中隱藏的統(tǒng)計規(guī)律，因此數(shù)據(jù)本身的精確性通常不影響海量數(shù)據(jù)挖掘的結(jié)果。因此，對于需要保護原始數(shù)據(jù)精確值的統(tǒng)計項，在不影響數(shù)據(jù)分布特性的前提下，可通過模糊化處理，以實現(xiàn)敏感數(shù)據(jù)的安全防護?；诖耍紨?shù)據(jù)擁有者在提供數(shù)據(jù)的過程中，可通過數(shù)據(jù)干擾算法實現(xiàn)數(shù)據(jù)原始值的隱藏，而數(shù)據(jù)挖掘算法基于隱藏原始數(shù)據(jù)的模糊數(shù)據(jù)進行知識挖掘。當然，在進行數(shù)據(jù)干擾的過程中，不能影響數(shù)據(jù)分布特性。假如模糊處理后的數(shù)據(jù)改變了分布特性，此時，就需要提供數(shù)據(jù)干擾算法的基本參數(shù)，已達到知識發(fā)現(xiàn)與敏感數(shù)據(jù)安全防護的目的。

2.基于知識匿名化的模式

由于知識與數(shù)據(jù)、知識與知識、數(shù)據(jù)與數(shù)據(jù)之間存在關(guān)聯(lián)性，數(shù)據(jù)挖掘結(jié)果的直接表示可能會給攻擊者推理出原始敏感信息的機會，從而造成敏感數(shù)據(jù)泄露。因此，在完成數(shù)據(jù)挖掘后，對挖掘結(jié)果的表示進行處理。以現(xiàn)有研究成果來看，主要是將數(shù)據(jù)共享匿名化的安全防護模式引入到海量數(shù)據(jù)挖掘過程中，從而實現(xiàn)敏感信息安全防護。雖然在知識表示的過程實現(xiàn)了匿名化，但這一處理的結(jié)果也會造成信息損失，從而使得最終展示結(jié)果的可信度降低。

3.敏感信息安全防護技術(shù)評估準則

通過上述典型的數(shù)據(jù)挖掘中敏感信息安全防護技術(shù)的介紹分析，可以看出在特定背景下對敏感信息安全防護及數(shù)據(jù)挖據(jù)效率進行合理評價是十分有必要的?？偟目磥恚瑪?shù)據(jù)挖掘中敏感信息安全防護技術(shù)綜合評價指標包括以下幾個方面：

（1）有效性

有效性指數(shù)據(jù)挖掘有效性和敏感數(shù)據(jù)保護的有效性，既要能夠有效保護敏感數(shù)據(jù)安全，也要能夠準確處理海量數(shù)據(jù)，在算法的設計過程中必須兼顧這兩方面需求。在對敏感信息安全防護技術(shù)進行評估時，通常會根據(jù)數(shù)據(jù)敏感信息的含量對這兩個方面進行加權(quán)分析。

（2）復雜性

復雜性是指算法的時間和空間的復雜度，復雜度的高低直接決定了算法的計算效率。當然，在現(xiàn)在云計算環(huán)境下，通信的復雜度逐漸成為算法復雜度的主要影響因素。

（3）可擴展性

無論何種數(shù)據(jù)挖掘算法，在數(shù)據(jù)量增加時，處理效率必然會降低。可擴展性則是評估算法在數(shù)據(jù)量增加時，處理效率的下降水平。通常來說，越復雜的處理算法，可擴展性越低。

三、結(jié)束語

基于敏感信息安全防護需求，以數(shù)據(jù)挖掘過程中存在的敏感信息泄露為研究對象，介紹了數(shù)據(jù)挖掘技術(shù)的發(fā)展現(xiàn)狀、流行技術(shù)及算法，并針對數(shù)據(jù)挖掘中比較容易導致敏感信息泄露的敏感知識和敏感數(shù)據(jù)兩個方面，對敏感信息安全問題進行詳細分析，最后介紹了數(shù)據(jù)挖掘中基于數(shù)據(jù)垂直分布和基于密碼學技術(shù)的敏感信息安全防護技術(shù)，并對敏感信息安全防護技術(shù)評估進行簡單分析。當然，從技術(shù)上能夠一定程度上的防范敏感數(shù)據(jù)的泄露，但從制度上也應該進行杜絕。因此從法律法規(guī)方面加強敏感數(shù)據(jù)安全保護也是十分必要的。這也是下一步研究的重點，即如何從法規(guī)制度上來確保敏感數(shù)據(jù)保存在合適安全的范圍內(nèi)，如確保數(shù)據(jù)獲取的合法性和公正性、數(shù)據(jù)使用銷毀的及時性等等。

[1]陳曉明，李軍懷，彭軍等.隱私保護數(shù)據(jù)挖掘算法綜述[J].計算機科學，2007，34（6）:183-186.

[2]胡水晶.大數(shù)據(jù)挖掘的隱私風險及應對策略[J].科技管理研究,2015(9):154-160.

[3]顧鋮，朱保平，張金康.一種改進的隱私保護關(guān)聯(lián)規(guī)則挖掘算法[J].南京航空航天大學學報,2015，47(1):119-124.

[4]吳偉民，黃煥坤.基于差分隱私保護的DP—DBScan聚類算法研究[J].計算機工程與科學,2015，37(4):830-834.

[5]李光，惠萌.改進的使用非負矩陣分解的隱私保護分類方法[J].計算機工程與應用，2015，(21):1-5.

[6]Kisilevich S,Rokach L,Elovici Y,et al.Efficient Multidimensional Suppression for K-Anonymity[J].IEEE Transactions on Knowledge&Data Engineering,2010，22（3）:334-347.

[7]李洪成,吳曉平,陳燕.MapReduce框架下支持差分隱私保護的k-means聚類方法[J].通信學報，2016，37(2):124-130.

[責任編輯：鐘 晴]

TP309.2

A

1008-7346（2016）05-0019-04

2016-08-10

陳麗珊,女，福建莆田人，福建廣播電視大學莆田分校講師。