跨部門政府?dāng)?shù)據(jù)共享中的隱私保護(hù)研究

史雅涓， 樸春慧， 顏嘉麒（．石家莊鐵道大學(xué) 信息科學(xué)與技術(shù)學(xué)院，河北 石家莊 050043；．南京大學(xué) 信息管理學(xué)院，江蘇 南京 003）

0 引言

大數(shù)據(jù)時代的來臨意味著數(shù)據(jù)同物質(zhì)及能源一樣，成為人類社會發(fā)展所必需的戰(zhàn)略性資源。作為公共服務(wù)的主要提供者，政府有責(zé)任向公眾公開政府信息，保障公眾的知情權(quán)；同時，作為公共數(shù)據(jù)資源的最大所有者，政府也有義務(wù)向社會開放數(shù)據(jù)資源，充分利用政府?dāng)?shù)據(jù)的巨大優(yōu)勢。不僅如此，政府在維持社會正常運(yùn)行、保證個體生存發(fā)展的前提下，也應(yīng)給予相關(guān)組織或部門分享部分政府?dāng)?shù)據(jù)的權(quán)利。當(dāng)下各級政府部門都在積極部署政務(wù)云平臺，以推動政務(wù)信息系統(tǒng)整合共享建設(shè)進(jìn)程［1］。政務(wù)云環(huán)境下的公民隱私信息保護(hù)問題也成為政府部門和公眾難以忽視的焦點問題［2］。在政府?dāng)?shù)據(jù)共享過程中，就存在著隱私泄露的可能。從政策角度分析，目前我國現(xiàn)行政策中有對個人隱私保護(hù)的說明，但是缺乏系統(tǒng)性和可執(zhí)行性［3］。從共享方式角度分析，難以找到絕對可信的數(shù)據(jù)資源共享平臺，以作為政府部門間數(shù)據(jù)共享的媒介。從技術(shù)角度分析，用于數(shù)據(jù)共享的匿名隱私保護(hù)技術(shù)存在著大量的信息損失，造成數(shù)據(jù)可用性差，直接影響了部門之間數(shù)據(jù)的使用。因此，對于政府機(jī)構(gòu)而言，迫切需要找到合適的方法以解決數(shù)據(jù)發(fā)布共享過程中存在的隱私泄露問題。

目前，針對政府?dāng)?shù)據(jù)發(fā)布共享情境下的隱私保護(hù)研究相對較少。針對政府?dāng)?shù)據(jù)共享發(fā)布過程中出現(xiàn)的隱私泄露風(fēng)險，大多數(shù)研究都集中于分析現(xiàn)有的隱私風(fēng)險、完善相應(yīng)法律制度。對于政府?dāng)?shù)據(jù)發(fā)布共享場景下的具體應(yīng)用框架及適用的隱私保護(hù)方法關(guān)注度不足。因此，對于政府機(jī)構(gòu)而言，迫切需要找到合適的方法以解決數(shù)據(jù)共享過程中存在的隱私泄露問題。

1 政府?dāng)?shù)據(jù)共享中的隱私保護(hù)研究

1.1 政府?dāng)?shù)據(jù)共享中的隱私問題研究

政府作為政務(wù)數(shù)據(jù)的采集者、政務(wù)信息的擁有者以及政務(wù)工作的管理者，掌握了大量有價值的數(shù)據(jù)，在大數(shù)據(jù)浪潮中具有天然的信息優(yōu)勢。在我國，隨著電子政務(wù)的普及應(yīng)用，基于政府門戶網(wǎng)站的數(shù)據(jù)發(fā)布已廣為人知，但政府?dāng)?shù)據(jù)共享尚處于起步初期，很多概念及策略仍處在探索階段。政府?dāng)?shù)據(jù)共享是指在行政單位范圍內(nèi)，對內(nèi)共享不適合向社會開放的、有價值的數(shù)據(jù)。政府?dāng)?shù)據(jù)共享增強(qiáng)了政府部門間數(shù)據(jù)融合，提升了原有數(shù)據(jù)價值，從而達(dá)到提高政府工作質(zhì)量的目的。

與英國等發(fā)達(dá)國家相比，我國政府?dāng)?shù)據(jù)共享尚處于初級階段，還處在較低水平，數(shù)據(jù)共享過程仍存在著諸多問題。為促進(jìn)政府?dāng)?shù)據(jù)開放共享發(fā)展，解決開放共享過程中出現(xiàn)的各種問題，我國政府出臺了一系列相關(guān)法律法規(guī)來保證數(shù)據(jù)的安全性與隱私性。例如，《中華人民共和國網(wǎng)絡(luò)安全法》于2016年11月由全國人大常委會審議通過，該法律的頒布，表明出國家對于數(shù)據(jù)安全與隱私保護(hù)的重視程度，有助于推動政府?dāng)?shù)據(jù)資源開放共享進(jìn)程、加快技術(shù)創(chuàng)新步伐、提高經(jīng)濟(jì)發(fā)展水平［4］；2017年5月，國務(wù)院印發(fā)了《政務(wù)信息系統(tǒng)整合共享實施方案》，其中明確提出要盡快完善個人隱私信息保護(hù)的法律法規(guī)，保障政務(wù)資源使用中的個人隱私［5］。

1.2 政府?dāng)?shù)據(jù)共享中的隱私保護(hù)

由于政府?dāng)?shù)據(jù)種類繁多，針對不同的應(yīng)用場景，數(shù)據(jù)共享的程度、發(fā)揮的作用也不盡相同。政府?dāng)?shù)據(jù)通常包含大量的個人相關(guān)數(shù)據(jù)，例如，個人的收入、納稅、房產(chǎn)、信用、違法違規(guī)記錄等，這些信息均可被視為個人敏感信息。若這些敏感信息發(fā)生泄露，會給個人、企業(yè)甚至國家?guī)砭薮蟮陌踩{。因此，本文研究政府?dāng)?shù)據(jù)共享中的公民隱私保護(hù)技術(shù)解決方案，探尋合理的數(shù)據(jù)共享方法，以此減輕了公民隱私顧慮，更好地促進(jìn)政府?dāng)?shù)據(jù)共享的發(fā)展。針對政府?dāng)?shù)據(jù)共享中存在的隱私泄露風(fēng)險，研究人員從法律、管理、信息技術(shù)等層面上都進(jìn)行了探討分析。張曉娟等［6］分析了美國政府在隱私保護(hù)立法方面的措施，為進(jìn)一步完善我國個人隱私保護(hù)相關(guān)法律體系提供了思路。劉凌等［7］針對政府?dāng)?shù)據(jù)開放過程中存在的隱私泄露問題，通過總結(jié)分析國內(nèi)外研究現(xiàn)狀，提出了一種先導(dǎo)性的政府?dāng)?shù)據(jù)隱私保護(hù)分析框架。王芳等［8］分析了政府?dāng)?shù)據(jù)跨部門共享中出現(xiàn)的問題及其產(chǎn)生原因，從政策角度提出了隱私保護(hù)問題的解決方案。黃如花等［9］使用內(nèi)容分析法分析了國家政策文件，發(fā)現(xiàn)我國政府?dāng)?shù)據(jù)開放共享政策尚未形成完整體系，仍需進(jìn)一步完善個人隱私保護(hù)政策。

雖然上述方法進(jìn)一步明確了政府?dāng)?shù)據(jù)共享發(fā)布中存在著隱私泄露風(fēng)險的事實。但是，并未根據(jù)政府?dāng)?shù)據(jù)開放共享中的具體應(yīng)用場景，從技術(shù)角度給出可靠的實施方案，單純的背景分析及政策指向難以打消公民的隱私顧慮。

1.3 常用的隱私保護(hù)數(shù)據(jù)技術(shù)

隱私保護(hù)技術(shù)是指利用技術(shù)手段處理原始數(shù)據(jù)集，確保攻擊者即便獲取到相關(guān)背景知識，依舊不能識別出目標(biāo)個體的敏感信息。在數(shù)據(jù)發(fā)布共享中，因為難以預(yù)估攻擊者所了解的背景知識多少，所以并沒有絕對安全的隱私保護(hù)技術(shù)。在數(shù)據(jù)發(fā)布共享中，研究應(yīng)用隱私保護(hù)方法的主要目的是：在不泄露隱私的基礎(chǔ)上，盡可能地提高數(shù)據(jù)的準(zhǔn)確性。

常用的隱私保護(hù)技術(shù)可以分為以下3類［10］。

（1）基于數(shù)據(jù)加密的技術(shù)。通常是利用加密技術(shù)對個體敏感屬性進(jìn)行相應(yīng)處理［11-12］。由于政府信息發(fā)布或數(shù)據(jù)共享的原則是盡可能地提供原始數(shù)據(jù)，這種方式一般并不適合于政府?dāng)?shù)據(jù)發(fā)布共享場景。

（2）基于數(shù)據(jù)失真的技術(shù)。通常采用擾動失真的方式對敏感屬性進(jìn)行處理，例如添加噪聲［13-14］、交換［15］、隨機(jī)化［16］等。這種方式在一定程度上保持了數(shù)據(jù)的統(tǒng)計特性，經(jīng)常被應(yīng)用于統(tǒng)計領(lǐng)域。對于政府?dāng)?shù)據(jù)發(fā)布場景，該方式能夠滿足公眾對政府?dāng)?shù)據(jù)知情權(quán)的需要。

（3）基于限制的發(fā)布技術(shù)。通常是采用降低發(fā)布精度的方式處理敏感數(shù)據(jù)集，例如數(shù)據(jù)泛化［17］、隱匿［18］、聚類［19］等。該類技術(shù)主要集中于研究數(shù)據(jù)匿名化方法。對于政府?dāng)?shù)據(jù)共享場景，該方式保證了數(shù)據(jù)的原有特性，更適合于政府部門間使用。

分析政府?dāng)?shù)據(jù)共享中存在的隱私泄露風(fēng)險，構(gòu)建基于政務(wù)云+霧計算的政府?dāng)?shù)據(jù)共享隱私保護(hù)框架，提出了基于中心點聚類的K 匿名數(shù)據(jù)共享方法，進(jìn)一步減輕了公民隱私顧慮，提高了共享數(shù)據(jù)質(zhì)量，進(jìn)而促進(jìn)了政府?dāng)?shù)據(jù)共享更快更好地發(fā)展。

2 政務(wù)云+霧模式的隱私保護(hù)政府?dāng)?shù)據(jù)共享框架

2.1 政府?dāng)?shù)據(jù)共享的政務(wù)云+霧計算模式

政務(wù)云+霧計算模式，簡單來說，就是充分利用政務(wù)云與霧計算優(yōu)勢，整合兩者資源，相互協(xié)作共同推進(jìn)政府?dāng)?shù)據(jù)公開，提升政府治理水平。政務(wù)云+霧計算模式主要分成3個部分：

（1）用戶層是由第三方社會組織、企業(yè)、公眾所擁有的智能終端和這些智能終端產(chǎn)生的海量數(shù)據(jù)所構(gòu)成。一般來說，認(rèn)為政府機(jī)關(guān)采集數(shù)據(jù)是可信的，數(shù)據(jù)采集存儲過程不存在隱私泄露現(xiàn)象。

（2）政府霧層是由政府目前擁有的大量軟硬件設(shè)備所組成。政府各部門通過其自身設(shè)備優(yōu)勢，建立本部門政府霧服務(wù)器，管理其自身業(yè)務(wù)，并向政務(wù)云層提供資源整合共享的支持。政府霧層提供數(shù)據(jù)存儲、計算、隱私保護(hù)的功能，在霧層不僅可以對接收到的用戶層數(shù)據(jù)進(jìn)行本地實時分析處理，而且可以在部門內(nèi)部直接進(jìn)行數(shù)據(jù)隱私處理，降低隱私數(shù)據(jù)泄露風(fēng)險。

（3）政務(wù)云層接收來自霧層隱私數(shù)據(jù)庫的數(shù)據(jù)，并進(jìn)行整體性分析處理。政務(wù)云層既可以滿足政府機(jī)構(gòu)對于高性能計算的要求，又能促進(jìn)公共服務(wù)水平。例如在政務(wù)云層，政府部門可以利用云的高性能服務(wù)器分析處理大量政府?dāng)?shù)據(jù)，輔助人工決策；可以將數(shù)據(jù)進(jìn)行發(fā)布公開，彌補(bǔ)之前的公眾與政府間的數(shù)據(jù)不對稱現(xiàn)象；可以提供多種應(yīng)用服務(wù)，簡化傳統(tǒng)辦事流程、方便解決民生問題。

對于政府機(jī)構(gòu)來說，使用政務(wù)云+霧計算模式的優(yōu)勢在于：充分利用政府內(nèi)部現(xiàn)有設(shè)備資源，減少大量購買高性能設(shè)備的支出；充分利用相互協(xié)作的多方終端或者邊緣設(shè)備共同執(zhí)行計算或存儲功能，減少政務(wù)云對于高帶寬、高性能的需求，提高了數(shù)據(jù)處理效率，降低政務(wù)云建設(shè)成本；充分利用霧計算提供的隱私保護(hù)功能，提高政府?dāng)?shù)據(jù)發(fā)布共享的安全性與隱私性，有助于增強(qiáng)政府公信力。

因此，利用政務(wù)云+霧計算模式有助于政府解決信息化建設(shè)過程中存在的諸多問題。例如，自媒體時代的發(fā)展，促使互聯(lián)網(wǎng)已成為了網(wǎng)民發(fā)表意見的集散地，為保障國家安全、維護(hù)政府形象、促進(jìn)民生改善，政府必須及時了解輿情發(fā)展動態(tài)以判斷未來發(fā)展趨勢。此時，實時性就成為了政府輿情監(jiān)測的關(guān)鍵。通過使用政務(wù)云+霧計算模式，利用霧計算在政府本地就可以對輿情信息進(jìn)行過濾、匯總，并對事件進(jìn)行實時的處理。后續(xù)再將統(tǒng)計數(shù)據(jù)傳輸給政務(wù)云端，借助云平臺強(qiáng)大的計算能力對多方信息進(jìn)行大數(shù)據(jù)分析，幫助預(yù)測輿情發(fā)展趨勢，指導(dǎo)政府下一步?jīng)Q策。

2.2 政務(wù)云+霧模式的隱私保護(hù)數(shù)據(jù)共享框架

基于現(xiàn)有的政務(wù)云平臺基礎(chǔ)架構(gòu)，結(jié)合霧計算的思想以及隱私保護(hù)的需求，設(shè)計了政務(wù)云+霧模式的隱私保護(hù)政府?dāng)?shù)據(jù)共享框架，如圖1所示。政府?dāng)?shù)據(jù)共享層面上的隱私服務(wù)只涉及政府霧層部分。由于政府部門共享的數(shù)據(jù)多為不宜向社會開放的、有價值的、高敏感性的數(shù)據(jù)，當(dāng)其它部門未妥善利用該數(shù)據(jù)時，可能造成隱私信息的泄露。為防止這種現(xiàn)象的發(fā)生，也需要在政府霧層對共享數(shù)據(jù)進(jìn)行隱私化處理。當(dāng)數(shù)據(jù)隱私保護(hù)后，政府部門就可以通過霧霧鏈接直接進(jìn)行數(shù)據(jù)共享。

圖1 政務(wù)云+霧模式的隱私保護(hù)政府?dāng)?shù)據(jù)發(fā)布共享框架

2.3 基于霧層的隱私保護(hù)政府?dāng)?shù)據(jù)共享流程

利用霧霧鏈接不單可以使政府方便地處理本部門事務(wù)，還能將各部門聯(lián)系在一起，幫助提高業(yè)務(wù)協(xié)同處理能力及辦事效率。霧計算的使用改變了原有的政府?dāng)?shù)據(jù)共享方式，新的方式不再基于數(shù)據(jù)資源共享平臺，而是利用政府霧鏈接關(guān)系直接共享數(shù)據(jù)。這一共享方式，需要政府著重考慮隱私保護(hù)問題。

原有的政府?dāng)?shù)據(jù)共享方式在面對敏感信息保護(hù)方面，主要依托一個前提假設(shè)，即數(shù)據(jù)資源共享發(fā)布平臺能夠保證不會泄露或竊取用戶信息。然而，無論是從政策還是技術(shù)角度分析，都沒有絕對安全、隱私的數(shù)據(jù)資源共享發(fā)布平臺。借助于政務(wù)霧服務(wù)，政府部門不再需要數(shù)據(jù)資源共享平臺作為媒介，部門之間可以利用霧霧鏈接快速共享傳播各類信息事務(wù)。與此同時隱私保護(hù)技術(shù)的加入避免了公民隱私信息泄露，保證了關(guān)鍵信息傳遞的及時性和隱私性。從長遠(yuǎn)來看，政府部門間的霧霧鏈接共享方式需要尋求可靠、安全的隱私保護(hù)方法及實現(xiàn)方式，以達(dá)到隱私保護(hù)數(shù)據(jù)共享的目的。圖2為基于霧層的隱私保護(hù)政府?dāng)?shù)據(jù)共享流程。

圖2 基于霧層的隱私保護(hù)政府?dāng)?shù)據(jù)共享流程

具體來說，基于霧層的隱私保護(hù)政府?dāng)?shù)據(jù)共享流程包括：

（1）政府通過對其數(shù)據(jù)庫查詢，挑選符合政策和法律規(guī)范的擬發(fā)布數(shù)據(jù)；

（2）利用隱私保護(hù)服務(wù)器執(zhí)行數(shù)據(jù)共享隱私保護(hù)算法，并將得到共享數(shù)據(jù)存于隱私保護(hù)數(shù)據(jù)庫中；

（3）依照申請情況，利用霧霧鏈接將數(shù)據(jù)共享給其它政府部門。

通過分析基于霧層的隱私保護(hù)政府?dāng)?shù)據(jù)共享流程，有助于確立政府?dāng)?shù)據(jù)共享機(jī)制。假設(shè)政府?dāng)?shù)據(jù)共享過程涉及2個實體，數(shù)據(jù)資源提供者與數(shù)據(jù)資源需求者都為政府行政部門。數(shù)據(jù)資源需求者要向數(shù)據(jù)資源提供者申請所需共享數(shù)據(jù)，在審核通過后，數(shù)據(jù)資源提供者就可在其隱私數(shù)據(jù)庫查找所需數(shù)據(jù)表，并將所查數(shù)據(jù)涵蓋的數(shù)據(jù)表統(tǒng)一共享給數(shù)據(jù)資源需求者。如圖3為政府?dāng)?shù)據(jù)共享機(jī)制。

3 基于中心點聚類的K 匿名數(shù)據(jù)共享方法（KMedoid-based KADS）

由于政府?dāng)?shù)據(jù)種類較多，每個種類的作用也不盡相同。相同的數(shù)據(jù)應(yīng)用于不同的場景中，在含義上也可能發(fā)生變化。針對政府?dāng)?shù)據(jù)的特殊性，將政府?dāng)?shù)據(jù)集屬性定為3類：（1）標(biāo)識符屬性，例如納稅人姓名、身份證號、銀行卡號碼等能直接識別出特定個人的屬性集合；（2）敏感屬性，例如企業(yè)年收入、購房人購房支出、納稅人納稅金額等個人不愿對外披露的敏感屬性集合；（3）非敏感屬性，上述屬性之外的所有屬性集合。

圖3 政府?dāng)?shù)據(jù)共享機(jī)制

基于中心點聚類的K 匿名數(shù)據(jù)共享方法主要分為3個步驟。

Step 1：數(shù)據(jù)屬性預(yù)處理。利用中心點聚類算法將敏感屬性與非敏感屬性按照相關(guān)度大小劃分開，使得相關(guān)度較大的非敏感屬性劃分為一組，并且選取較少數(shù)量的非敏感屬性與敏感屬性劃分為一組。數(shù)據(jù)屬性預(yù)處理在降低數(shù)據(jù)維度提高算法執(zhí)行效率的同時，可以有效平衡數(shù)據(jù)隱私性與可用性之間的關(guān)系，為后續(xù)數(shù)據(jù)共享算法奠定基礎(chǔ)。

Step 2：基于中心點的記錄相似度聚類算法。通過使用聚類技術(shù)，利用Gower’s系數(shù)計算記錄間的距離，可將數(shù)據(jù)記錄劃分成若干個簇，并使得同簇記錄間具有較高的相似度、異簇記錄間具有較高的差異性。由于同簇記錄相似程度高，記錄之間對應(yīng)屬性值更為接近，后續(xù)對各簇進(jìn)行K 匿名處理時，可以降低屬性泛化程度，保證數(shù)據(jù)的可用性。

Step 3：K 匿名簇共享算法。使用泛化技術(shù)對未完全符合K 匿名要求的簇進(jìn)行處理，得到完全K 匿名簇，并將匿名數(shù)據(jù)以數(shù)據(jù)表的形式存于隱私數(shù)據(jù)庫中。根據(jù)政府其它部門數(shù)據(jù)共享需求，在本部門隱私數(shù)據(jù)庫中篩選所需屬性列對應(yīng)的數(shù)據(jù)表，并將所查屬性覆蓋的所有數(shù)據(jù)表統(tǒng)一共享給需求部門。

3.1 數(shù)據(jù)屬性預(yù)處理

數(shù)據(jù)屬性預(yù)處理需要考慮兩方面的問題，一是如何對屬性列進(jìn)行劃分，二是如何選取合適的劃分?jǐn)?shù)量。

3．1．1 數(shù)據(jù)屬性列劃分

選取K中心點聚類算法作為數(shù)據(jù)屬性列劃分方法。K 中心點聚類算法的實現(xiàn)很大程度上取決于距離的計算。若使用K中心點聚類算法對政府?dāng)?shù)據(jù)屬性進(jìn)行劃分，就需要找到合適的指標(biāo)以衡量數(shù)據(jù)屬性之間的距離。借助克萊姆相關(guān)系數(shù)來衡量2個屬性間相關(guān)度的大小，并根據(jù)相關(guān)度與距離的關(guān)系，得到屬性間距離?？巳R姆相關(guān)系數(shù)被設(shè)計衡量2個分類型屬性相關(guān)性的強(qiáng)弱，取值范圍為［0，1］［20］。克萊姆系數(shù)越靠近1，代表2個分類屬性的相關(guān)性越強(qiáng)，越靠近0相關(guān)性越弱。其中克萊姆相關(guān)系數(shù)的計算公式為

式中，R、C 分別為2個分類型屬性的枚舉數(shù)值；n為數(shù)據(jù)量；x2為pearson卡方統(tǒng)計量。因此，結(jié)合數(shù)據(jù)隱私性和可用性的雙重需求，本章利用K 中心點聚類算法實現(xiàn)數(shù)據(jù)屬性列劃分的具體流程如下。

Step 1：計算各屬性列間相關(guān)度的大小。若政府?dāng)?shù)據(jù)中存在連續(xù)型屬性，則需要預(yù)先對該屬性進(jìn)行離散化處理，即將連續(xù)型屬性按照屬性值大小劃分為多個大小相等的區(qū)間段。此時，每個區(qū)間段都可看作分類型屬性的取值，繼續(xù)利用克萊姆相關(guān)系數(shù)進(jìn)行計算即可。

Step 2：找到與敏感屬性列相關(guān)度最高的屬性列，并將兩者合并為一個集合。

Step 3：利用K 中心點聚類算法對剩余屬性列進(jìn)行劃分。其中，距離的計算方法為D＝1-V，即克萊姆相關(guān)系數(shù)越小，距離越大，越難劃分至一個集合中。

3．1．2 選取合適的劃分?jǐn)?shù)量

在使用K 中心點算法進(jìn)行聚類時，需要事先給出聚類個數(shù)，即K 值。由于屬性劃分?jǐn)?shù)直接影響著后續(xù)操作的順利進(jìn)行，找到相應(yīng)的評判指標(biāo)，確定劃分?jǐn)?shù)量是十分必要的。本節(jié)通過選用輪廓系數(shù)值判斷聚類效果，幫助確定劃分?jǐn)?shù)量。輪廓系數(shù)可對任意距離進(jìn)行度量（如歐式距離、馬氏距離等），對于數(shù)據(jù)屬性列劃分所采用的距離計算方式也同樣適用。輪廓系數(shù)通過分析內(nèi)聚度和分離度這2個因素來實現(xiàn)聚類效果的判斷［21］。利用輪廓系數(shù)，有助于找到聚類數(shù)目下最優(yōu)聚類結(jié)果。在實際應(yīng)用中，為盡可能地保護(hù)數(shù)據(jù)的原始性，k值的取值一般也不會很大，通過簡單判斷就可得到最優(yōu)k值。為避免出現(xiàn)局部最優(yōu)解的情況，所有出現(xiàn)的值都需要多次運(yùn)行K 中心點算法，并且計算每一個k值對應(yīng)的平均輪廓系數(shù)，最后選擇擁有最大輪廓系數(shù)的k值作為最終劃分?jǐn)?shù)。

因此，通過數(shù)據(jù)屬性預(yù)處理，將原始數(shù)據(jù)表按照最優(yōu)屬性劃分的方法進(jìn)行了劃分，得到了多張屬性相關(guān)度最高的數(shù)據(jù)表。

3.2 基于中心點的記錄相似度聚類算法

根據(jù)上一步操作得到了多張屬性關(guān)聯(lián)度最高的數(shù)據(jù)表，以其中一張數(shù)據(jù)表為例，介紹如何對表中記錄進(jìn)行聚類以滿足K 匿名的初步要求。其余多張數(shù)據(jù)表均可依照下述方法進(jìn)行處理。

依然使用中心點聚類算法解決政府?dāng)?shù)據(jù)記錄相似度聚類問題?；谥行狞c的記錄相似度聚類算法核心思想是：將包含k條記錄的數(shù)據(jù)表，利用聚類技術(shù)聚成多個簇，使得每個簇中的記錄數(shù)目至少為k條，且要求各簇內(nèi)部記錄差距最小。因此，基于中心點的記錄相似度聚類算法實現(xiàn)過程主要分為以下2個步驟：

Step 1：結(jié)合有效的記錄距離度量方式，利用中心點聚類算法產(chǎn)生各簇；

Step 2：判斷簇中的記錄數(shù)目，對并不滿足數(shù)目要求的簇進(jìn)行調(diào)整。

3．2．1 基于Gower’s系數(shù)的政府記錄聚類

政府?dāng)?shù)據(jù)種類較多，同一數(shù)據(jù)表中可能同時含有數(shù)值型屬性及分類型屬性。常見的相似度計算方法都是針對單一屬性的，對于數(shù)值型屬性，通常使用常見的距離計算方法進(jìn)行直接度量；對于分類型屬性，一般借助分類樹進(jìn)行度量，即需要根據(jù)屬性值建立準(zhǔn)確語義關(guān)系。對于政府?dāng)?shù)據(jù)來說，很難通過語義關(guān)系建立政府?dāng)?shù)據(jù)分類樹，常用的度量方式并不完全滿足政府?dāng)?shù)據(jù)的需求。因此，針對政府?dāng)?shù)據(jù)的特點，采用Gower’s廣義相異系數(shù)來解決政府混合型數(shù)據(jù)度量問題。

Gower’s廣義相異系數(shù)，簡稱Gower’s系數(shù)，被設(shè)計描述不同類型變量下樣本間的距離［22］。利用Gower’s廣義相異系數(shù)可獲得記錄間距離，具體實現(xiàn)步驟為：首先，計算各類型變量的均值與標(biāo)準(zhǔn)差，其中分類型變量需根據(jù)屬性值劃分為二分變量（即0／1變量）后再進(jìn)行計算；然后，標(biāo)準(zhǔn)化各類型變量值，數(shù)值型屬性是對應(yīng)值減去平均值再除以標(biāo)準(zhǔn)差，分類型屬性以同樣方式標(biāo)準(zhǔn)化后再乘以補(bǔ)償系數(shù)（補(bǔ)償0／1編碼），其中補(bǔ)償系數(shù)為；最后，根據(jù)歐式距離計算標(biāo)準(zhǔn)化后2條記錄間的距離，其中，歐式距離的計算

式中，xi、yi分別為2條記錄對應(yīng)標(biāo)準(zhǔn)化值；n為屬性數(shù)量。

利用Gower’s系數(shù)度量記錄間距離，結(jié)合中心點聚類算法思想就可對政府?dāng)?shù)據(jù)記錄進(jìn)行聚類操作。此過程需要預(yù)先設(shè)定聚類數(shù)目m，結(jié)合K 匿名對簇中的記錄條數(shù)的要求，將含有n 條記錄的政府?dāng)?shù)據(jù)聚類數(shù)定為m＝［n／k］。由于已介紹過中心點聚類算法的實現(xiàn)過程，此處就不再進(jìn)行贅述。

3.2.2 簇記錄數(shù)目調(diào)整

計算各簇記錄數(shù)目，當(dāng)簇中記錄數(shù)大于k 時，將距離簇中心較遠(yuǎn)的記錄取出，存于補(bǔ)給數(shù)組中備用；當(dāng)簇中記錄數(shù)小于k時，加入補(bǔ)給數(shù)組中距離簇中心最近的記錄；若各簇記錄數(shù)都等于k條后，補(bǔ)給數(shù)組中仍存在記錄，則需分別計算各簇中心點與補(bǔ)給數(shù)組記錄之間的距離，并將記錄分別分派至最近的簇中。

3.3 K 匿名簇共享算法

政府?dāng)?shù)據(jù)在經(jīng)過基于中心點的記錄相似度聚類算法處理后，得到了不少于K 條記錄的簇。然而這些簇并不全滿足于K 匿名的要求，這是因為K 匿名要求簇中的每條記錄是無法區(qū)分的。因此，仍需對聚類得到的各簇進(jìn)行泛化處理。

常見的泛化方式都主要依托于泛化格的構(gòu)建，同構(gòu)建分類樹一樣，政府?dāng)?shù)據(jù)也難以準(zhǔn)確構(gòu)建泛化格，且基于泛化格的泛化方式很容易造成大量的信息損失。比如當(dāng)前聚類簇在工作類型的屬性值為｛為私人機(jī)構(gòu)工作，為私人家庭工作｝，根據(jù)泛化格可能將其劃分為非政府工作類型，這樣無疑加大了信息的損失，使得數(shù)據(jù)難以再次利用。

因此，需對現(xiàn)有泛化方式進(jìn)行重新的定義，使其更加適合于政府?dāng)?shù)據(jù)。具體泛化方式為：對于數(shù)值型屬性，將其最大區(qū)間作為泛化值進(jìn)行共享，即當(dāng)前簇中該屬性的最大值與最小值區(qū)間，如［1，25］；對于離散型變量，將其屬性值集合作為泛化值進(jìn)行共享，即當(dāng)前聚類簇中該屬性所含值的集合，如｛為私人機(jī)構(gòu)工作，為私人家庭工作，為政府部門工作｝。

K 匿名簇共享算法，不僅需要保證數(shù)據(jù)符合K 匿名的要求，還需要實現(xiàn)政府?dāng)?shù)據(jù)共享功能。因此，K匿名簇共享算法的實現(xiàn)過程主要分為以下2個步驟。

Step 1：簇記錄屬性泛化。作為基于中心點聚類的K 匿名數(shù)據(jù)共享方法的最后一步，通過前兩步已得到了多張初步滿足K 匿名條件的數(shù)據(jù)表。K 匿名簇共享算法只需按照上述泛化方式對表進(jìn)行處理，就可得到多張滿足K 匿名條件的數(shù)據(jù)表。

Step 2：政府?dāng)?shù)據(jù)共享方式。當(dāng)政府相關(guān)部門根據(jù)數(shù)據(jù)資源目錄提出資源共享請求并通過審核后，本部門需要根據(jù)其所需屬性列，找到對應(yīng)存儲這些屬性的K 匿名數(shù)據(jù)表（可能涉及一至多張），并將所查數(shù)據(jù)覆蓋的所有數(shù)據(jù)表統(tǒng)一共享給所需部門。

4 實驗比較分析

4.1 實驗數(shù)據(jù)集

為驗證所提算法的有效性，使用Kaggle提供的菲律賓家庭收入支出數(shù)據(jù)集，對提出的基于中心點聚類的K 匿名數(shù)據(jù)共享方法進(jìn)行分析。使用Incognito算法作為對比實驗，Incognito算法是經(jīng)典的K 匿名隱私保護(hù)算法，且其應(yīng)用范圍相當(dāng)廣泛，具有較高的參考價值。

假設(shè)以下屬性為政府需求部門所需屬性列，其中Household Head Sex（戶主性別）、Main Source of Income（收入來源）、Household Head Age（戶主年齡）、Household Head Class of Worker（工作類型）、Household Head Marital Status（婚姻狀態(tài)）、Type of Household（房屋類型）為非敏感屬性，Household Head Occupation（戶主工作）為敏感屬性。上述屬性中只有Household Head Age為數(shù)值型屬性，其余都為分類型屬性。

4.2 信息損失量度量

通過計算信息損失量來分析共享數(shù)據(jù)質(zhì)量，信息損失程度高則數(shù)據(jù)質(zhì)量相對較低。一般情況下，信息損失程度可以通過數(shù)據(jù)處理前后發(fā)生的變化分析?；谥行狞c聚類的K 匿名數(shù)據(jù)共享算法最終是否可用，在很大程度上取決于該算法造成的信息損失大小。

所提算法涉及的數(shù)據(jù)屬性預(yù)處理部分僅僅是對數(shù)據(jù)表進(jìn)行劃分處理，并未影響屬性的使用，而且根據(jù)KMedoid-based KADS算法所提出的數(shù)據(jù)共享方式分析，也不存在屬性間的信息損失。因此，即使政府需求部門所需屬性列可能分散在共享數(shù)據(jù)庫中的多個表中，仍可以將所需屬性列看作一張數(shù)據(jù)表，統(tǒng)一計算信息損失量。將本文涉及的信息損失進(jìn)行定義。

設(shè)T*是政府需求部門所需數(shù)據(jù)表T 經(jīng)過隱私處理得到的匿名數(shù)據(jù)表，t是匿名表中的一個簇，|t|是該簇中含有的記錄數(shù)，|T*|是匿名數(shù)據(jù)表含有簇的個數(shù)，A 代表數(shù)值型屬性列，B 代表分類型屬性列。a1，…，an代表簇中含有數(shù)值型屬性列，a1，…，an在簇t上的信息損失為

式中，aimax、aimin分別為當(dāng)前數(shù)值型屬性在簇t上的最大值、最小值；|Ai|為當(dāng)前數(shù)值型屬性在T*上的區(qū)間差值。

b1，…，bm代表簇中含有分類型屬性列，b1，…，bm在簇t上的信息損失為

式中，bjsum 為當(dāng)前分類型屬性在簇t上含有的不同值個數(shù)；|Bj|為當(dāng)前分類型屬性在匿名數(shù)據(jù)集上的含有的不同值個數(shù)。因此，對于簇t來說，其匿名處理產(chǎn)生的信息損失為

對于整個匿名數(shù)據(jù)表T*來說，其信息損失量為

4.3 實驗結(jié)果分析

圖4顯示了不同k 值下，2種算法信息損失情況。根據(jù)對比實驗可以看出，提出的KMedoid-based KADS算法在所有的k值下都顯示出較小的損失量。這是因為KMedoid-based KADS算法保證了每個簇中記錄的相似性，降低了泛化程度，提高了數(shù)據(jù)的可用性。從圖中還可以觀察出2個算法的信息損失程度都隨著k值的增加而增大，這是因為k值數(shù)目的提高會導(dǎo)致簇中記錄條數(shù)增加，從而需要更多泛化處理。

圖5顯示了k＝15下隨非敏感屬性數(shù)量增加，信息損失量的變化情況。從圖中可以觀察出，在各個數(shù)值下KMedoid-based KADS算法都顯示出較高的優(yōu)勢。這是因為Incognito算法使用的全域泛化方式過于拘謹(jǐn)，造成了較大的信息損失。從圖中還可以看出，隨著非敏感屬性數(shù)量的增加，信息損失量的數(shù)量也在逐漸升高。這是因為無論是哪一種算法都不可避免地使用泛化技術(shù)，非敏感屬性數(shù)量增多，需要泛化的位置增加，相應(yīng)的數(shù)據(jù)可用性也會降低。

圖4 不同k值下的信息損失量

圖5 不同非敏感屬性下的信息損失量

5 結(jié)論與展望

隨著公共數(shù)據(jù)開放共享的日益普及，公民隱私保護(hù)已成為政府?dāng)?shù)據(jù)共享領(lǐng)域關(guān)注的熱點問題。然而，目前政府在數(shù)據(jù)共享方面上都存在著不同程度的隱私泄露風(fēng)險。研究如何在保護(hù)公民隱私的基礎(chǔ)上有效提高數(shù)據(jù)的可用性尤為重要。本文構(gòu)建了基于政務(wù)云+霧計算模式的隱私保護(hù)政府?dāng)?shù)據(jù)共享框架，研究了基于中心點聚類的K 匿名數(shù)據(jù)共享方法。通過與經(jīng)典匿名Incognito算法進(jìn)行實驗比較，所提出的KMedoid-based KADS算法能有效減少信息損失量，提高數(shù)據(jù)共享質(zhì)量。

下一步的研究可以結(jié)合政府同部門跨層級資源共享需求，研究在霧層實現(xiàn)跨層級數(shù)據(jù)共享中的隱私保護(hù)總體解決方案，進(jìn)一步完善基于中心點聚類的K 匿名數(shù)據(jù)共享方法，使其可以適應(yīng)不同的共享需求。