基于奇異值分解的銀行客戶數(shù)據(jù)隱私保護(hù)算法研究

摘 要 如何在保護(hù)客戶數(shù)據(jù)隱私的前提下進(jìn)行有效的數(shù)據(jù)挖掘，已經(jīng)成為金融業(yè)數(shù)據(jù)挖掘領(lǐng)域的重要課題。用矩陣的奇異值分解進(jìn)行數(shù)據(jù)擾動(dòng)，不僅能消除數(shù)據(jù)噪音，還能獲得準(zhǔn)確的聚類效果。本文提出了一種奇異值分解的聚類算法，實(shí)驗(yàn)表明算法能有效的保護(hù)客戶數(shù)據(jù)隱私，而且保留了聚類分析的準(zhǔn)確特征。

【關(guān)鍵詞】奇異值分解 隱私保護(hù) 聚類分析

隨著數(shù)據(jù)挖掘技術(shù)和機(jī)器學(xué)習(xí)算法的快速發(fā)展，數(shù)據(jù)隱私保護(hù)問題已經(jīng)越來越引起人們的關(guān)注。目前的隱私保護(hù)方法主要分為兩類：

（1）對原始數(shù)據(jù)值進(jìn)行扭曲、擾動(dòng)、隨機(jī)化和匿名化，使數(shù)據(jù)使用者不能得出數(shù)據(jù)的原始值。

（2）修改數(shù)據(jù)挖掘算法，使分布式數(shù)據(jù)挖掘中的參與者在不知道確切數(shù)據(jù)值的情況下仍能得出數(shù)據(jù)挖掘的結(jié)果。

數(shù)據(jù)擾動(dòng)是隱私保護(hù)數(shù)據(jù)挖掘應(yīng)用的重要組成部分，我們利用奇異值分解（Singular value decomposition）SVD）對保密數(shù)值屬性進(jìn)行擾動(dòng)，并在矩陣分解的基礎(chǔ)上進(jìn)行隱私數(shù)據(jù)聚類。我們所提出的的奇異值分解聚類方法，不僅可以滿足保護(hù)敏感數(shù)據(jù)屬性的要求，同時(shí)保留K-means聚類分析的一般特點(diǎn)，能得到準(zhǔn)確的數(shù)據(jù)模型和分析結(jié)果。

1 算法的理論基礎(chǔ)

1.1 K-均值聚類算法

K-均值聚類算法是一個(gè)將包含有n個(gè)對象的數(shù)據(jù)集劃分成k 個(gè)聚類的過程，使同一聚類中的對象屬性相似度較高，而不同聚類中的對象屬性相似度較小。聚類分析的基本指導(dǎo)思想就是最大程度地實(shí)現(xiàn)類中對象相似度最大，類間對象相似度最小。

1.2 奇異值分解

奇異值分解在數(shù)據(jù)挖掘的應(yīng)用中，特別是在文本挖掘中并不是新技術(shù)，但在隱私保護(hù)的數(shù)據(jù)擾動(dòng)中的應(yīng)用是最近興起的。一個(gè)奇異值分解的顯著特點(diǎn)是在降維壓縮數(shù)據(jù)的同時(shí)維持主要的數(shù)據(jù)模式。矩陣分解的主要目的是從原始數(shù)據(jù)集獲得一些低維的，對象和屬性的近似關(guān)聯(lián)的數(shù)據(jù)結(jié)構(gòu)。

奇異值分解的顯著特點(diǎn)是在降維壓縮數(shù)據(jù)的同時(shí)保護(hù)了主要的數(shù)據(jù)模式。在隱私保護(hù)金融數(shù)據(jù)挖掘應(yīng)用中，擾動(dòng)的數(shù)據(jù)集Ak可以在同時(shí)提供數(shù)據(jù)隱私保護(hù)，還保留了原始數(shù)據(jù)的可用性，使其真實(shí)地表現(xiàn)原始的數(shù)據(jù)集結(jié)構(gòu)。

奇異值分解（SVD）是一種常見的數(shù)據(jù)挖掘矩陣分解方法和信息檢索方法。它開始被用來降低數(shù)據(jù)集的維度。文獻(xiàn)[3]提出了用SVD進(jìn)行數(shù)據(jù)擾動(dòng)的技術(shù)，在文獻(xiàn)[4]中，SVD技術(shù)是用來擾動(dòng)數(shù)據(jù)集的模式部分。

2 SVD-clustering模型及算法

SVD-clustering模型包含兩部分：數(shù)據(jù)擾動(dòng)部分和數(shù)據(jù)的聚集部分。模型如圖1所示。我們假設(shè)只有數(shù)據(jù)的擁有者和授權(quán)用戶才可以對數(shù)據(jù)進(jìn)行處理。經(jīng)過數(shù)據(jù)擾動(dòng)，原始的數(shù)據(jù)集轉(zhuǎn)換成完全不同的數(shù)據(jù)矩陣，數(shù)據(jù)使用者利用K-means聚類等數(shù)據(jù)挖掘算法對擾動(dòng)的數(shù)據(jù)進(jìn)行檢索。因?yàn)閿?shù)據(jù)使用者未經(jīng)授權(quán)不能得到原始數(shù)據(jù)，這樣，包含隱私保密信息的原始數(shù)據(jù)就得到了保護(hù)。

2.1 SVD-clustering算法流程

輸入：初始矩陣D，劃分的聚類的數(shù)目K

輸出：轉(zhuǎn)換后的矩陣D'，聚類結(jié)果

（1）在矩陣D中找出需要保密的數(shù)據(jù)屬性序列（ai）i=1，2，…，n.形成一個(gè)新的矩陣A，A=[a1， a2，…，an]；

（2）用SVD算法對矩陣D進(jìn)行分解SVD（A）=UWVT；

（3）找出擾動(dòng)后的矩陣AK=UkWkVkT；

（4）用Ak的值更新數(shù)據(jù)庫D，形成新的矩陣D′；

（5）在矩陣 D′中對保密數(shù)據(jù)的屬性進(jìn)行聚類分析。

2.2 算法示例

樣本數(shù)據(jù)如表1所示，在隱私保護(hù)的第一階段采用匿名保護(hù)，用編號代替被采樣者，假設(shè)已經(jīng)去除了標(biāo)識符（如姓名、身份證號碼、地址等）。在這個(gè)樣本中我們比較關(guān)注年齡和年薪兩個(gè)屬性，假設(shè)數(shù)據(jù)的使用者想利用這些人的年齡和年薪對他們進(jìn)行分類。但是這些屬性值都是保密的信息，即要對這兩個(gè)屬性進(jìn)行隱私保護(hù)。

為了達(dá)到隱私保護(hù)的目的，我們利用SVD-clustering模型對數(shù)據(jù)進(jìn)行擾動(dòng)。圖2顯示經(jīng)過擾動(dòng)后各個(gè)數(shù)據(jù)對象在擾動(dòng)前后聚類中的相對距離。

3 實(shí)驗(yàn)結(jié)果分析

為簡單起見，我們只考慮轉(zhuǎn)化兩個(gè)隱私數(shù)據(jù)屬性，年齡和年薪。每次聚類包含6個(gè)數(shù)據(jù)點(diǎn)，在表2中，分別表示包含年齡和工資兩個(gè)屬性的六個(gè)數(shù)據(jù)點(diǎn)。在擾動(dòng)前，當(dāng)K=3時(shí)，對象1，3，6在聚類1中，對象4，5在聚類2中，對象2在聚類3中，在數(shù)據(jù)擾動(dòng)后，當(dāng)K=3時(shí)，數(shù)據(jù)1，3，6在聚類1中，對象2在聚類2中，對象4，5在聚類3中。

實(shí)驗(yàn)的效率根據(jù)原始數(shù)據(jù)和擾動(dòng)后數(shù)據(jù)的合法點(diǎn)聚類檢測出來的。在進(jìn)行數(shù)據(jù)擾動(dòng)后聚類的簇元素和原始數(shù)據(jù)聚類后的簇元素應(yīng)該一致，但是在數(shù)據(jù)擾動(dòng)過程中可能存在一些潛在的問題：一些噪音點(diǎn)中斷了聚類過程；一個(gè)聚類中的數(shù)據(jù)點(diǎn)變成噪音點(diǎn)；一個(gè)數(shù)據(jù)點(diǎn)從一個(gè)聚類轉(zhuǎn)移到另一個(gè)聚類。由于我們采用的K-means聚類算法已經(jīng)消除了噪音，所以我們驗(yàn)證結(jié)果的時(shí)候只考慮第三種情況。

3.1 誤差率分析

其中，N 代表原始數(shù)據(jù)集 D中點(diǎn)的個(gè)數(shù)，k 為聚類的個(gè)數(shù)，D'為擾動(dòng)后的數(shù)據(jù)集，|Clusteri（D）|代表第 i個(gè)聚類中的合法數(shù)據(jù)點(diǎn)的個(gè)數(shù)。從表3中可以看到，利用SVD-clustering算法得到的誤差率在0.1% 左右，可以證明我們的算法在數(shù)據(jù)擾動(dòng)前后聚集的準(zhǔn)確性非常好。

3.2 相對誤差分析

當(dāng)一個(gè)數(shù)據(jù)矩陣擾動(dòng)后，它的屬性值也發(fā)生改變，數(shù)據(jù)值的變化可以用范數(shù)的相對誤差表示。這樣，可以用RE（Relative Error）表示原始值D到擾動(dòng)后的屬性值D′的變化。

其中||D||F是矩陣D的歐式范數(shù)，D'為擾動(dòng)后的數(shù)據(jù)集。可以看出，RE的數(shù)值越大，表明數(shù)據(jù)擾動(dòng)的程度越大，即數(shù)據(jù)的保密性能越好。

4 結(jié)論

我們提出一個(gè)奇異值分解的聚類方法，用來擾動(dòng)保密數(shù)值的屬性，以滿足銀行客戶隱私保護(hù)的要求，同時(shí)保留K-means聚類分析的一般特點(diǎn).實(shí)驗(yàn)結(jié)果表明，該方法在高準(zhǔn)確性隱私保護(hù)應(yīng)用中非常有效，保證聚類挖掘結(jié)果正確性的基礎(chǔ)上，對數(shù)據(jù)集中的敏感屬性也進(jìn)行了很好的隱私保護(hù)。

參考文獻(xiàn)

[1]R.Agrawal，R.Srikant.Privacy-preserving data mining.in：Proceedings of the 2000 ACM SIGMOD International Conference on Management of Data，2000，439-450.

[2]J.Wang，J.Zhang，W.Zhong，S.Xu，A novel data distortion approach via selective ssvd for privacy protection.2009.

[3]V.Verykios，E.Bertino，I.Fovino，L.Provenza，Y.Saygin，Y.Theodoridis. State-of-the-art in privacy preserving data mining.ACM SIGMOD Record，2014，3（01）：50-57.

[4]L.Hubert，J.Meulman，W.Heiser.Two purposes for matrix factorization： a historical appraisal.SIAM Review，2009，42（04）：68-82.

[5]張國榮，印鑒.應(yīng)用等距變換處理聚類分析中的隱私保護(hù)[J].計(jì)算機(jī)應(yīng)用研究，2015（07）：83-86.

[6]黃偉偉，柏文陽.聚類挖掘中隱私保護(hù)的幾何數(shù)據(jù)轉(zhuǎn)換方法[J].計(jì)算機(jī)應(yīng)用研究，2006（06）：180-184.

作者簡介

季文韜（1986-），男，河南省南陽市人。主要研究方向?yàn)殡[私保護(hù)數(shù)據(jù)挖掘。

魏巍 （1992-），男，河南省南陽市人。主要研究方向?yàn)閿?shù)據(jù)處理。

作者單位

1.中國農(nóng)業(yè)銀行成都青羊支行 四川省成都市 610015

2.電子科技大學(xué)成都學(xué)院通信與信息工程系 四川省成都市 610500