一种基于K-anonymity模型的数据隐私保护算法

• 作者: Gu Wangfeng 饶若楠
• 来源期刊: 计算机应用与软件
• 学科: 工学
• 关键词: K-anonymity 数据隐私 数据泛化
• 年，卷（期）: 2008,（8）
• 所属期刊栏目: 基金项目论文
• 页码范围: 65-67
• 页数: 3页
• 分类号: TP3
• 字数: 3898字
• 语种: 中文
• DOI: 10.3969/j.issn.1000-386X.2008.08.024

摘要

在数据共享的同时,如何保证数据的隐私性是一个重要的问题.泛化方法是数据隐私保护的一种重要方法,但现有的泛化算法不能处理连续属性,数据错误率比较高.在K-anonymity模型基础上,提出了一种扩展泛化算法EGA(Extended Generalization Algorithm),该算法在满足给定K值的条件下,用相对不具体的值最小限度地替换敏感数据,并实现了对离散属性和连续属性的处理.实验结果表明,与现有泛化算法相比,提出的算法具有运行效率高、数据错误率低、能保持敏感数据分类特性等优点.