基于差分隱私的海量數(shù)據(jù)發(fā)布方法研究

顏 飛 張 興 李 暢 李萬(wàn)杰 李 帥

(遼寧工業(yè)大學(xué)電子與信息工程學(xué)院 遼寧 錦州 121001)

0 引 言

隨著信息技術(shù)，特別是大數(shù)據(jù)技術(shù)和人工智能領(lǐng)域研究的飛速發(fā)展，海量數(shù)據(jù)的收集、存儲(chǔ)、發(fā)布和分析變得越來(lái)越容易。但從數(shù)據(jù)安全和個(gè)人隱私保護(hù)層面來(lái)看，大數(shù)據(jù)應(yīng)用也帶來(lái)了很大的數(shù)據(jù)安全隱患。而且數(shù)據(jù)的安全和隱私數(shù)據(jù)的泄露不僅會(huì)影響到個(gè)人利益，甚至?xí){到國(guó)家的網(wǎng)絡(luò)空間安全。面對(duì)如此復(fù)雜的大數(shù)據(jù)背景，大數(shù)據(jù)面臨著諸多安全問(wèn)題，其中如何從大數(shù)據(jù)中分析挖掘出更多的價(jià)值而又很好地保護(hù)數(shù)據(jù)的隱私安全顯得尤為重要[1]。

從個(gè)人隱私安全層面來(lái)看，一旦隱私信息被泄露，用戶個(gè)人隱私無(wú)異于“裸奔”。對(duì)于企業(yè)來(lái)說(shuō)，確保用戶數(shù)據(jù)安全和隱私安全是必須面對(duì)和解決的問(wèn)題，若數(shù)據(jù)安全和隱私保障存在問(wèn)題，將會(huì)影響大數(shù)據(jù)和人工智能的進(jìn)一步推廣應(yīng)用。在未來(lái)發(fā)展中，如果國(guó)家在數(shù)據(jù)安全控制方面失去了主動(dòng)權(quán)，那么必將受制于他人。因此，確保大數(shù)據(jù)安全和隱私安全十分重要，針對(duì)大數(shù)據(jù)安全和隱私保護(hù)的關(guān)鍵技術(shù)的研究值得更進(jìn)一步探索，而且大數(shù)據(jù)安全和隱私保護(hù)也將逐漸上升至國(guó)家戰(zhàn)略層面。

為了有效地保護(hù)個(gè)人隱私安全，研究人員提出了許多隱私保護(hù)模型，例如基于匿名技術(shù)的K-anonymity[2]、L-diversity[3]、M-invariance[4]、T-closeness[5]等。由于以匿名為基礎(chǔ)的隱私保護(hù)模型均需特殊的攻擊假設(shè)和一定的背景知識(shí)，且未能對(duì)隱私保護(hù)強(qiáng)度進(jìn)行量化分析，因此在實(shí)際應(yīng)用中具有較大的局限性。尤其是在海量數(shù)據(jù)的背景下，用戶的原始信息可能在經(jīng)過(guò)數(shù)據(jù)挖掘分析和深度學(xué)習(xí)的某個(gè)過(guò)程中被非法者破壞、攻擊和篡改，用戶信息的隱私安全面臨著嚴(yán)重的威脅[6]。因此，差分隱私[7]作為一種新型、輕量級(jí)的隱私保護(hù)算法，引起了研究人員的關(guān)注。它通過(guò)對(duì)發(fā)布數(shù)據(jù)進(jìn)行隨意擾動(dòng)，使得在傳統(tǒng)意義上無(wú)論攻擊者具有何種背景知識(shí)都無(wú)法識(shí)別一條記錄是否在原數(shù)據(jù)表中[8]，可以解決數(shù)據(jù)發(fā)布所隱藏的潛在隱私威脅。但針對(duì)海量數(shù)據(jù)的隱私保護(hù)數(shù)據(jù)發(fā)布往往會(huì)出現(xiàn)數(shù)據(jù)敏感度增大、隱私預(yù)算枯竭和數(shù)據(jù)噪聲過(guò)大等問(wèn)題，對(duì)后期的數(shù)據(jù)分析造成較嚴(yán)重影響。并且在采用直方圖發(fā)布方法存在離群點(diǎn)導(dǎo)致數(shù)據(jù)高敏感問(wèn)題，更容易泄露隱私。因此，針對(duì)離群點(diǎn)的分組劃分問(wèn)題，文獻(xiàn)[9]在等寬劃分的基礎(chǔ)上提出了一個(gè)差值集的概念來(lái)處理在分組時(shí)由于離群點(diǎn)存在可能會(huì)導(dǎo)致的劃分誤差。該方法在面對(duì)充滿離群點(diǎn)的數(shù)據(jù)集時(shí)有著很好的表現(xiàn)，但在分組劃分階段需計(jì)算所有數(shù)據(jù)的差值集，對(duì)于大數(shù)據(jù)集來(lái)說(shuō)差值集計(jì)算效率問(wèn)題成為必須解決的問(wèn)題。

研究人員在提高大數(shù)據(jù)集的計(jì)算效率方面也做了許多研究工作。文獻(xiàn)[10]采用高效的MapReduce并行計(jì)算模型實(shí)現(xiàn)了k-means聚類算法，有效提高了k-means算法的運(yùn)行效率。針對(duì)云平臺(tái)的開(kāi)放性使攻擊者擁有大量的攻擊背景知識(shí)[11]，攻擊者可以通過(guò)關(guān)聯(lián)背景知識(shí)和聚類結(jié)果來(lái)竊取數(shù)據(jù)隱私[12-13]。文獻(xiàn)[14-15]將隱私保護(hù)機(jī)制融入Hadoop平臺(tái)下的MapReduce分布式計(jì)算框架，實(shí)現(xiàn)了海量分布式數(shù)據(jù)的隱私保護(hù)算法。華為研究人員為滿足數(shù)據(jù)挖掘需求，實(shí)施部署了滿足差分隱私保護(hù)的大數(shù)據(jù)分析平臺(tái)[16]。

雖然MapReduce分布式計(jì)算框架的使用可高效處理海量數(shù)據(jù)，但該框架在算法迭代過(guò)程需多次讀寫(xiě)硬盤(pán)數(shù)據(jù)，消耗大量I/O通信資源，并且過(guò)多的噪聲擾動(dòng)也會(huì)增加隱私保護(hù)算法的復(fù)雜度開(kāi)銷(xiāo)[17]。針對(duì)以上分析，為了提高數(shù)據(jù)隱私保護(hù)程度和數(shù)據(jù)的可用性，解決差值集計(jì)算效率問(wèn)題，本文以海量靜態(tài)數(shù)據(jù)的發(fā)布需求為出發(fā)點(diǎn)，提出一種滿足ε-差分隱私保護(hù)的適用于Spark內(nèi)存迭代的SPDP-GS(Spark Differential privacy-Grouping Smothing)算法。該方法可提高離群點(diǎn)判斷速度和差值集計(jì)算效率，并有效控制基于直方圖的數(shù)據(jù)發(fā)布方法中的離群點(diǎn)對(duì)數(shù)據(jù)發(fā)布的敏感度的影響，具有一定的應(yīng)用價(jià)值和理論研究意義。

1 差分隱私保護(hù)理論

差分隱私保護(hù)主要通過(guò)對(duì)發(fā)布數(shù)據(jù)進(jìn)行隨意擾動(dòng)，使得攻擊者使用傳統(tǒng)方法攻擊時(shí)，無(wú)論擁有何種背景知識(shí)均無(wú)法輕易識(shí)別出某條記錄是否一定在原數(shù)據(jù)表中。

1.1 差分隱私定義

定義1對(duì)于給定的2個(gè)至多相差1條記錄的數(shù)據(jù)集D1以及D2，f為隨機(jī)算法，range(f)表示算法f的所有輸出構(gòu)成的集合，S為range(f)的子集。若算法f滿足Pr[f(D1)∈S]≤eε×Pr[f(D2)∈S]，則算法f具有ε-差分隱私性。

其中，ε為隱私保護(hù)預(yù)算，代表算法的隱私保護(hù)水平，ε的取值越小，隱私保護(hù)水平越高。

1.2 Laplace噪聲機(jī)制

差分隱私保護(hù)的實(shí)現(xiàn)機(jī)制是采用數(shù)據(jù)擾動(dòng)，數(shù)據(jù)擾動(dòng)常用方法之一是采用Laplace[19]噪聲機(jī)制來(lái)實(shí)現(xiàn)數(shù)據(jù)加噪，該機(jī)制使用拉普拉斯分布所產(chǎn)生噪聲添加到真實(shí)輸出值中來(lái)實(shí)現(xiàn)差分隱私保護(hù)。

定義2對(duì)于任意一個(gè)函數(shù)f:D→Rd，算法Y滿足Y(D)=f(D)+。

其中，函數(shù)Lapi(Δf/ε)(1≤i≤d)表示拉普拉斯密度函數(shù)；Δf=maxD1,D1|f(D1)-f(D2)|為函數(shù)f(D)的查詢敏感度。D1、D2為兄弟數(shù)據(jù)集；d為查詢維度。

1.3 差分隱私組合特性

在差分隱私保護(hù)研究中，為證明算法滿足差分隱私，需滿足如下差分隱私組合特性：序列組合性和并列組合性。

性質(zhì)1[19]給定數(shù)據(jù)庫(kù)D與n個(gè)隨機(jī)算法fi，且fi滿足εi-差分隱私，那么fi(D)序列組合滿足ε-差分隱私，且ε=∑εi。

性質(zhì)2[19]設(shè)將給定數(shù)據(jù)庫(kù)D劃分成n個(gè)不相交的子集，D={D1,D2,…，Dn}，若任意算法fi滿足ε-差分隱私，則序列fi在D上的操作結(jié)果仍滿足ε-差分隱私。

2 Spark框架下SPDP-GS直方圖數(shù)據(jù)發(fā)布方法

為了提高對(duì)隱私數(shù)據(jù)的保護(hù)程度和挖掘結(jié)果的可用性，解決文獻(xiàn)[9]中差值集計(jì)算效率問(wèn)題，以海量數(shù)據(jù)的統(tǒng)計(jì)特征為出發(fā)點(diǎn)，提出一種適用于Spark框架的滿足ε-差分隱私保護(hù)的海量靜態(tài)數(shù)據(jù)直方圖發(fā)布方法。

2.1 數(shù)據(jù)發(fā)布處理框架

本文提出一個(gè)滿足差分隱私保護(hù)需求的非交互式計(jì)算框架系統(tǒng)，其結(jié)構(gòu)示意如圖1所示。該框架主要由3個(gè)部分組成：原始數(shù)據(jù)收集和存儲(chǔ)，Spark框架下的數(shù)據(jù)處理和存儲(chǔ)，數(shù)據(jù)的隱私保護(hù)處理。

圖1 Spark框架下差分隱私保護(hù)模型

數(shù)據(jù)管理層，首先將原始數(shù)據(jù)集導(dǎo)入HDFS進(jìn)行數(shù)據(jù)的管理，然后數(shù)據(jù)從HDFS讀取到Spark框架形成RDD數(shù)據(jù)集，并進(jìn)行map操作、執(zhí)行join操作和Shuffle過(guò)程，最后將RDD處理結(jié)果輸出并保存到HDFS。

隱私處理，對(duì)待發(fā)布數(shù)據(jù)的隱私保護(hù)處理主要是借助Spark并行計(jì)算框架對(duì)經(jīng)過(guò)預(yù)處理的數(shù)據(jù)進(jìn)行分類統(tǒng)計(jì)、特征提取和聚類分組等計(jì)算任務(wù)，并對(duì)分組進(jìn)行添加Laplace噪聲。

2.2 Spark框架下k-means并行化改進(jìn)

1) 初始化k個(gè)初始聚類中心，形成樣本聚類。

2) 遍歷數(shù)據(jù)樣本，若boundDistance

3) 計(jì)算各聚類內(nèi)數(shù)據(jù)均值，更新聚類中心。

4) 循環(huán)Step1-Step3，直到達(dá)到指定迭代次數(shù)或聚類收斂聚類中心不再變化。

5) 輸出聚類處理結(jié)果。

2.3 SPDP-GS算法設(shè)計(jì)

在大數(shù)據(jù)應(yīng)用背景下，基于Spark框架的差分隱私保護(hù)直方圖發(fā)布方法主要目的在于滿足海量數(shù)據(jù)計(jì)算效率的要求下，提供有效的隱私保護(hù)方法。對(duì)于滿足差分隱私保護(hù)的直方圖發(fā)布方法，文獻(xiàn)[21]通過(guò)對(duì)數(shù)據(jù)集進(jìn)行排序、分組以及求各分組均值，再添加Laplace噪聲。但是在可能會(huì)存在大量離群點(diǎn)數(shù)據(jù)集時(shí)，會(huì)導(dǎo)致隱私泄露，而且簡(jiǎn)單的等寬分組方法容易導(dǎo)致誤差增大問(wèn)題。所以，文獻(xiàn)[9]在文獻(xiàn)[21]的基礎(chǔ)之上提出了采用插值集概念處理分組過(guò)程中由于離散點(diǎn)問(wèn)題而導(dǎo)致的劃分誤差問(wèn)題。但該方法對(duì)于海量數(shù)據(jù)集的處理來(lái)說(shuō)差值集的計(jì)算量巨大。

因此，本文提出了借助Spark平臺(tái)采用k-means改進(jìn)算法對(duì)分組進(jìn)行最優(yōu)劃分，對(duì)每個(gè)分組求均值，再在各分組的平均數(shù)上添加Laplace噪聲，對(duì)隱私算法保護(hù)處理后的數(shù)據(jù)進(jìn)行發(fā)布?；赟park框架的SPDP-GS算法主要由：統(tǒng)計(jì)分類和DP-protection兩部分，主要步驟描述如下：

1) 采用Hash_map按屬性進(jìn)行分類統(tǒng)計(jì)。

3) 采用Laplace機(jī)制添加噪聲：Y(D)=f(D)+lap(Δf/ε)。

4) 對(duì)待發(fā)布數(shù)據(jù)進(jìn)行直方圖發(fā)布。

2.4 SPDP-GS算法描述

本節(jié)描述SPDP-GS算法包括：數(shù)據(jù)的類型統(tǒng)計(jì)、k-means聚類分組、分組求均值和添加Laplace噪聲，具體過(guò)程如下所述：

算法1k-means聚類分組劃分算法

輸入：經(jīng)Hash_map算法統(tǒng)計(jì)分類后數(shù)據(jù)集D{x1,x2,…,xn}，聚類簇?cái)?shù)k。

輸出：聚類分組C={c1,c2,…，ck}，組內(nèi)均值ucj，組內(nèi)數(shù)據(jù)數(shù)量numcj。

1)KMeansCluster(hashmapResult)

2) {Kmeans.setMax(k);

//設(shè)定聚類中心數(shù)k

3)

sourcedata=kmeans.loadData(hashmapresult);

//讀取統(tǒng)計(jì)分類結(jié)果數(shù)據(jù)集

4) fori=1 ton

5) { forj=1 tok

6) {

7) if (boundDistance

8) thenbestDistance←realDistance;

//計(jì)算xi與各均值向量uj距離

//將對(duì)應(yīng)值加入相應(yīng)簇

//更新均值向量

12)numcj=numcj+1;

//類內(nèi)數(shù)據(jù)個(gè)數(shù)統(tǒng)計(jì)

13) }

14) }

15)result:RDD[(int,Ck)]; //聚類結(jié)果存入RDD

16) 輸出：組內(nèi)均值ucj，組內(nèi)數(shù)據(jù)數(shù)量numcj

17) }

算法2差分隱私直方圖發(fā)布

輸入：聚類分組C={c1,c2,…，ck}，查詢?nèi)蝿?wù)Q，查詢敏感度Δf(Q)。

輸出：滿足ε-差分隱私的數(shù)據(jù)集Dε。

1) 依據(jù)查詢?nèi)蝿?wù)f(Q)返回分組C中對(duì)應(yīng)查詢記錄；

2.5 SPDP-GS數(shù)據(jù)發(fā)布方法

針對(duì)待發(fā)布數(shù)據(jù)集可能存在大量離群點(diǎn)導(dǎo)致隱私泄露風(fēng)險(xiǎn)增大和海量數(shù)據(jù)集的差值計(jì)算效率低的問(wèn)題，滿足差分隱私保護(hù)的海量數(shù)據(jù)發(fā)布成為本文研究的著眼點(diǎn)。通常，數(shù)據(jù)集中難以避免地存在一些離群點(diǎn)，離群點(diǎn)的存在可能誘發(fā)隱私泄露和誤差增大問(wèn)題。

例如，某疾病監(jiān)控中心，需周期性更新某些疾病確診患者，而所發(fā)布數(shù)據(jù)又不能泄露確診患者年齡、住址等隱私信息。因此，可采用差分隱私保護(hù)方法對(duì)發(fā)布數(shù)據(jù)進(jìn)行處理，數(shù)據(jù)隱私保護(hù)后再發(fā)布。實(shí)例具體說(shuō)明如下：若將圖2(a)所示數(shù)據(jù)直接發(fā)布，擁有相關(guān)背景知識(shí)的人很容易推斷離散點(diǎn)數(shù)據(jù)的隱私信息。采用文獻(xiàn)[21]和本文所提出的方法將數(shù)據(jù)集D={32,28,43,45,48,2}進(jìn)行分組劃分，可有效解決隱私泄露問(wèn)題。

(a) 原始直方圖(b) 排序后直方圖

(c) 采用GS劃分 (d) 采用SPDP-GS劃分圖2 不同方法所得直方圖劃分圖

2.6 數(shù)據(jù)隱私安全性分析

2.6.1 隱私驗(yàn)證

本文所述算法的隱私性主要從算法滿足ε-差分隱私的定義和性質(zhì)角度加以論證。由于噪聲添加在分組劃分后的各分組之中，所以主要證明直方圖發(fā)布算法是否滿足ε-差分隱私。

定理1算法SPDP-GS滿足ε-差分隱私。

證明：由算法1中分組策略和噪聲添加方法可知，每次滑動(dòng)窗口的經(jīng)過(guò)將會(huì)產(chǎn)生d個(gè)分組，而每分組所分得的隱私預(yù)算為d/ε。差分隱私方法中敏感度Q設(shè)置為1，即Δ(Q)=1。假設(shè)數(shù)據(jù)集D1和D2最多相差一條記錄，即|D1-D2|≤1，|D2-D1|≤1。由定義1可知，Pr[f(D1=D′)]≤eε×Pr[f(D2=D′)]。由性質(zhì)2可知該直方圖發(fā)布算法滿足ε-差分隱私。

2.6.2 數(shù)據(jù)可用性分析

本節(jié)所述算法采用聚類方法對(duì)數(shù)據(jù)進(jìn)行聚類分組，將相似數(shù)組(相似分組指的是直方圖數(shù)值相近的若干個(gè)桶)劃分在一個(gè)分組內(nèi)，并對(duì)同一分組內(nèi)的數(shù)據(jù)以平均值表示。因此，發(fā)布數(shù)據(jù)會(huì)產(chǎn)生兩種誤差：一是由各分組均值產(chǎn)生的近似誤差SSE(Sum Squared Error)；二是因添加拉普拉斯噪聲而產(chǎn)生的誤差。

(1)

3 實(shí)驗(yàn)設(shè)計(jì)與分析

3.1 實(shí)驗(yàn)環(huán)境

本文實(shí)驗(yàn)對(duì)算法的運(yùn)行效率以及隱私保護(hù)數(shù)據(jù)的結(jié)果可用性進(jìn)行考慮。實(shí)驗(yàn)選取3臺(tái)主機(jī)搭建Spark平臺(tái)，每臺(tái)機(jī)器均為雙核IntelCorei3處理器，4 GB內(nèi)存，操作系統(tǒng)選用Ubuntu，hadoop-2.7.2和Spark 2.2.0；JDK的版本是1.8.0_121，Scala-2.12.3。

本實(shí)驗(yàn)所用數(shù)據(jù)集來(lái)自“Kaggle：The Home of Data Science”網(wǎng)站所以提供的Transactions商場(chǎng)交易數(shù)據(jù)，包括商品類型、品牌、交易日期、采購(gòu)量和交易金額；另一個(gè)數(shù)據(jù)集為US Census 1990 raw data，該數(shù)據(jù)集包含了來(lái)自1990年美國(guó)人口普查數(shù)據(jù)(PUMS) 1%的樣本，詳細(xì)信息見(jiàn)表1。

表1實(shí)驗(yàn)數(shù)據(jù)集

名稱大小/GB記錄數(shù)/個(gè)屬性類型數(shù)/個(gè)Transactions19.6349 655 790836US-Census8232 458 28568

3.2 數(shù)據(jù)預(yù)處理

本實(shí)驗(yàn)選取交易數(shù)據(jù)集的category(商品類型)和US Census的age屬性作為數(shù)據(jù)處理對(duì)象。對(duì)數(shù)據(jù)集中category和age字段的各種商品類型進(jìn)行統(tǒng)計(jì)。但category字段的值不應(yīng)該為0值，因此需在數(shù)據(jù)統(tǒng)計(jì)過(guò)程中對(duì)取值為0的記錄予以清除，不納入統(tǒng)計(jì)。

3.3 數(shù)據(jù)可用性度量

本文選取選取交易數(shù)據(jù)集的category屬性和US Census的age屬性作為敏感屬性進(jìn)行數(shù)據(jù)組劃分。主要采用和方差[23]和絕對(duì)誤差(AE)兩種評(píng)估標(biāo)準(zhǔn)度量算法的可用性。表達(dá)式如下：

(2)

首先，本實(shí)驗(yàn)選取Transactions數(shù)據(jù)集，對(duì)隱私預(yù)算ε所產(chǎn)生的數(shù)據(jù)可用性的影響展開(kāi)研究。實(shí)驗(yàn)過(guò)程中分別取隱私預(yù)算參數(shù)ε為0.5、0.75、1和1.5。

圖3給出了隱私預(yù)算ε變化下絕對(duì)誤差的變化趨勢(shì)。結(jié)果表明，算法絕對(duì)誤差隨著隱私預(yù)算ε的增大而減少。而且，本文所述方法的隱私保護(hù)效果和數(shù)據(jù)可用性上相較于GS方法和S-GS方法更優(yōu)。

圖3 不同ε值下的絕對(duì)誤差

接下來(lái)分別在Transactions和US-Census數(shù)據(jù)集上，通過(guò)改變離群點(diǎn)數(shù)量num來(lái)對(duì)AE結(jié)果進(jìn)行研究,從而判斷本文所述方法與文獻(xiàn)[9,21]所述方法在數(shù)據(jù)發(fā)布結(jié)果可用性上的優(yōu)劣情況。

實(shí)驗(yàn)過(guò)程中ε取值設(shè)置為1.5，實(shí)驗(yàn)結(jié)果如圖4和圖5所示。在Transactions和US-Census數(shù)據(jù)集上，存在隨著離群點(diǎn)的個(gè)數(shù)的增加，導(dǎo)致發(fā)布結(jié)果的絕對(duì)誤差增大的現(xiàn)象。由絕對(duì)誤差計(jì)算公式可得，離群點(diǎn)的數(shù)量的增多會(huì)導(dǎo)致分組劃分的誤差增大。本文方法比文獻(xiàn)[9,21]所述方法表現(xiàn)更好的主要原因?yàn)椴捎霉潭ǖ姆纸M劃分不可避免的出現(xiàn)離群點(diǎn)分組劃分不合理的問(wèn)題，從而導(dǎo)致分組過(guò)程中誤差增大的問(wèn)題。

圖4 數(shù)據(jù)集Transactions下不同離群點(diǎn)的絕對(duì)誤差

圖5 數(shù)據(jù)集US-Census下不同離群點(diǎn)的絕對(duì)誤差

3.4 算法時(shí)間效率分析

本文采用了對(duì)原始數(shù)據(jù)集進(jìn)行Hash_map算法進(jìn)行分類統(tǒng)計(jì)，將統(tǒng)計(jì)結(jié)果進(jìn)行數(shù)據(jù)對(duì)外發(fā)布。而數(shù)據(jù)發(fā)布之前，對(duì)其中離散點(diǎn)的處理采用k-means聚類方法進(jìn)行合理組聚類，對(duì)同一類內(nèi)數(shù)據(jù)進(jìn)行求均值，從而減少S-GS方法在大數(shù)據(jù)背景下的差值集計(jì)算量巨大的問(wèn)題。

每組實(shí)驗(yàn)分別做了5次測(cè)試，取5次平均時(shí)間作為最終結(jié)果，如圖6所示。

圖6 算法時(shí)間效率

由圖6可知，Spark平臺(tái)參與運(yùn)算的子節(jié)點(diǎn)數(shù)量越多，算法執(zhí)行時(shí)間顯著減少，說(shuō)明Spark平臺(tái)可以較好地解決大數(shù)據(jù)的運(yùn)行效率問(wèn)題。采用Spark平臺(tái)進(jìn)行差分隱私數(shù)據(jù)發(fā)布可有效保證發(fā)布數(shù)據(jù)的隱私安全及運(yùn)算效率。

4 結(jié) 語(yǔ)

為了提高隱私數(shù)據(jù)的保護(hù)程度和保證數(shù)據(jù)挖掘結(jié)果的可用性，解決海量靜態(tài)數(shù)據(jù)直方圖發(fā)布過(guò)程中差值集計(jì)算效率低、存在隱私泄露安全隱患問(wèn)題，研究了大數(shù)據(jù)背景下的差分隱私保護(hù)數(shù)據(jù)發(fā)布方法，提出一種Spark框架下的滿足差分隱私保護(hù)的直方圖數(shù)據(jù)發(fā)布方法。本文借助Spark計(jì)算平臺(tái)實(shí)現(xiàn)對(duì)海量數(shù)據(jù)的分類統(tǒng)計(jì)、聚類分析和分析結(jié)果的差分隱私保護(hù)。文中給出了數(shù)據(jù)處理的計(jì)算框架，并對(duì)各部分做了簡(jiǎn)要闡述。通過(guò)對(duì)實(shí)驗(yàn)結(jié)果中的總體誤差和隱私預(yù)算ε進(jìn)行分析，相較于GS方法和S-GS方法數(shù)據(jù)可用性上更佳，而且解決了S-GS方法在海量數(shù)據(jù)計(jì)算中的差值集計(jì)算問(wèn)題，滿足數(shù)據(jù)隱私安全性需求，同時(shí)保證發(fā)布數(shù)據(jù)具有較好的可用性，具有一定的應(yīng)用價(jià)值。