基于本地化差分隐私保护的频繁项目挖掘算法

• 作者: 朱美琪 杨庚 白云璐
• 来源期刊: 计算机技术与发展
• 关键词: 频繁项目挖掘 本地化差分隐私 集值数据 隐私保护 随机响应
• 年，卷（期）: 2021,（8）
• 所属期刊栏目: 网络与安全
• 页码范围: 92-99,168
• 页数: 9页
• 分类号: TP309
• 语种: 中文
• DOI: 10.3969/j.issn.1673-629X.2021.08.016

摘要

频繁项目挖掘是数据挖掘的研究热点之一,若数据集包含敏感信息,不作处理地发布挖掘结果会有隐私泄露的风险.目前已有本地化差分隐私的频繁项目挖掘算法,但还无法满足处理大数据时的实时性和数据可用性要求.针对这些问题,该文提出了一种新的面向本地化差分隐私保护的频繁项目挖掘算法—GFIM(group-based frequent items mining).该算法把用户随机划分为不相交且大小相等的两组用户,整个运行过程分为两个阶段.第一阶段主要根据全部用户提交的信息挖掘出频繁项目的候选集C,而在第二阶段,两组用户分别通过设置冗余项把自身修剪为O(k)发送给数据收集者,最终的top-k频繁项目将利用上述两个阶段的结果.采用分阶段的思想减少了计算时遍历数据集的次数,加快了整体的运行速度.通过理论证明了该算法满足ε-本地化差分隐私,在多个真实数据集上的实验也验证了该方法的性能.