面向近邻泄露的数值型敏感属性隐私保护方法

doi:10.11959/j.issn.1000-436x.2015093

通信学报 ›› 2015, Vol. 36 ›› Issue (4): 97-104.doi: 10.11959/j.issn.1000-436x.2015093

面向近邻泄露的数值型敏感属性隐私保护方法

谢静,张健沛,杨静,张冰

哈尔滨工程大学计算机科学与技术学院，黑龙江哈尔滨150001

出版日期:2015-04-25 发布日期:2015-04-15
基金资助:
国家自然科学基金资助项目;国家自然科学基金资助项目;国家自然科学基金资助项目;国家自然科学基金资助项目;教育部高等学校博士学科点专项科研基金资助项目;教育部高等学校博士学科点专项科研基金资助项目

Privacy preserving approach based on proximity privacy for numerical sensitive attributes

Jing XIE,Jian-pei ZHANG,Jing YANG,Bing ZHANG

College of Computer Science and Technology，Harbin Engineering University，Harbin 150001，China

Online:2015-04-25 Published:2015-04-15
Supported by:
The National Natural Science Foundation of China;The National Natural Science Foundation of China;The National Natural Science Foundation of China;The National Natural Science Foundation of China;The National Research Foundation for the Doctoral Program of Higher Education of China;The National Research Foundation for the Doctoral Program of Higher Education of China

摘要/Abstract

摘要：

提出一种面向近邻泄露的数值型敏感属性隐私保护方法，该方法首先在保护准标识符属性和数值型敏感属性内在关系的前提下，将数值型敏感属性进行离散化划分；然后，提出一种面向近邻泄露的隐私保护原则——(k，ε)-proximity；最后，设计了最大邻域优先算法MNF(maximal neighborhood first)来实现该原则。实验结果表明，提出的方法能在有效保护数值型敏感信息不泄露的同时保持较高的数据效用，并且保护了数据间的关系。

关键词: 隐私保护, 数值型敏感属性, 近邻泄露, 离散化

Abstract:

A model based on proximity breach for numerical sensitive attributes is proposed.At first，it divides numerical sensitive value into several intervals on the premise of protecting the internal relations between quasi-identifier attributes and numerical sensitive attributes.Secondly，it proposes a (k，ε)-proximity privacy preserving principle to defense proximity privacy.In the end，a maximal neighborhood first algorithm (MNF) is designed to realize the (k，ε)-proximity.The experiment results show that the proposed model can preserve privacy of sensitive data well meanwhile it can also keep a high data utility and protect the internal relations.

Key words: privacy preserving, numerical sensitive attributes, proximity privacy, discretization

谢静,张健沛,杨静,张冰. 面向近邻泄露的数值型敏感属性隐私保护方法[J]. 通信学报, 2015, 36(4): 97-104.

Jing XIE,Jian-pei ZHANG,Jing YANG,Bing ZHANG. Privacy preserving approach based on proximity privacy for numerical sensitive attributes[J]. Journal on Communications, 2015, 36(4): 97-104.

图/表 10

表1

图1

图2

图3

图4

图5

图6

图7

图8

图9

参考文献 16

[1]	XU Y ， MA T ， TANG M ，et al. A survey of privacy preserving data publishing using generalization and suppression[J]. Appl Math， 2014，8(3): 1103-1116.
[2]	SWEENEY L . k-anonymity:a model for protecting privacy[J]. International Journal of Uncertainty，Fuzziness and Knowledge based Systems， 2002，10(5): 557-570.
[3]	TASSA T ， MAZZA A ， GIONIS A . k-concealment:an alternative model of k-type anonymity[J]. Transactions on Data Privacy， 2012，5(1): 189-222.
[4]	MACHANAVAJJHALA A ， GEHRKE J ， KIFER D . l-diversity:privacy beyond k-anonymity[J]. ACM Transactions on Knowledge Discovery from Data， 2007，1(1): 1-52.
[5]	ABDALAAL A ， NERGIZ M E ， SAYGIN Y . Privacy-preserving publishing of opinion polls[J]. Computers & Security， 2013，37(9): 143-154.
[6]	SAROWAR S A H M ， LI J ， DING X ，et al. A general framework for privacy preserving data publishing[J]. Knowledge-Based Systems， 2013，54(12): 276-287.
[7]	YE M ， WU X ， HU X ，et al. Anonymizing classification data using rough set theory[J]. Knowledge-Based Systems， 2013，43(5): 82-94.
[8]	ZHANG Q ， KOUDAS N ， SRIVASTAVA D ，et al. Aggregate query answering on anonymized tables[A]. Data Engineering，2007，ICDE 2007，IEEE 23rd International Conference[C]. 2007. 116-125.
[9]	LI J X ， TAO Y F ， XIAO X K . Preservation of proximity privacy in publishing numerical sensitive data[A]. Proceedings of ACM Conference on Management of Data (SIGMOD)[C]. 2008. 473-486.
[10]	韩建民，于娟，虞慧群，等. 面向数值型敏感属性的分级 l-多样性模型[J]. 计算机研究与发展， 2011，48(1): 147-158. HAN J M ， YU J ， YU H Q ，et al. A multi-level l-diversity model for numerical sensitive attributes[J]. Journal of Computer Research and Development， 2011，48(1): 147-158.
[11]	WANG T ， MENG S ， BAMBA B ，et al. A general proximity privacy principle[A]. Data Engineering，2009，ICDE'09，IEEE 25th International Conference[C]. 2009. 1279-1282.
[12]	WANG T ， LIU L . XColor:protecting general proximity privacy[A]. Data Engineering (ICDE)，2010 IEEE 26th International Conference[C]. 2010. 960-963.
[13]	CAMPAN A ， COOPER N ， TRUTA T M . On-the-fly Generalization Hierarchies for Numerical Attributes Revisited[M]. Secure Data Management，Springer Berlin Heidelberg， 2011. 18-32.
[14]	LEFEVRE K ， DEWITT D J ， RAMAKRISHNAN R . Incognito:Efficient full-domain k –anonymity[A]. Proc of the 2005 ACM SIGMOD Int Conf on Management of data[C]. New York， 2005. 49-60.
[15]	杨晓春，王雅皙，王斌等 . 数据发布中面向多敏感属性的隐私保护方法[J]. 计算机学报， 2008，31(4): 574-587. YANG X C ， WANG Y Z ， WANG B ，et al. Privacy preserving approaches for multiple sensitive attributes in data publishing[J]. Chinese Journal of Computers， 2008，31(4): 574-587.
[16]	LEFEVRE K ， DEWITT D J ， RAMAKRISHNAN R . Mondrian multidimensional k-anonymity[A]. Proc of the 22nd Int Conf on Data Engineering[C]. New York， 2006. 1-11.

相邻区间	v₁	v₂	…	v_m	行和
I_i:(d_i-1，d_i]	δ_i1	δ_i2	…	δ_im	δ_i·
I_i+1:(d_i，d_i+1]	δ_i+1，1	δ_i+1，2	…	δ_i+1，m	δ_(i+1)·
列和	δ₁	δ₂	…	δ·m	M

面向近邻泄露的数值型敏感属性隐私保护方法

Privacy preserving approach based on proximity privacy for numerical sensitive attributes

在线阅读

PDF下载

可视化

摘要/Abstract

引用本文

使用本文

图/表 10

参考文献 16

相关文章 15

Metrics

推荐阅读 0

[1]	马鑫迪, 李清华, 姜奇, 马卓, 高胜, 田有亮, 马建峰. 面向Non-IID数据的拜占庭鲁棒联邦学习[J]. 通信学报, 2023, 44(6): 138-153.
[2]	冯涛, 陈李秋, 方君丽, 石建明. 基于本地化差分隐私和属性基可搜索加密的区块链数据共享方案[J]. 通信学报, 2023, 44(5): 224-233.
[3]	夏莹杰, 朱思雨, 刘雪娇. 区块链架构下具有条件隐私的车辆编队跨信任域高效群组认证研究[J]. 通信学报, 2023, 44(4): 111-123.
[4]	胡柏吉, 张晓娟, 李元诚, 赖荣鑫. 支持多功能的V2G网络隐私保护数据聚合方案[J]. 通信学报, 2023, 44(4): 187-200.
[5]	徐明, 张保俊, 伍益明, 应晨铎, 郑宁. 面向网络攻击和隐私保护的多智能体系统分布式共识算法[J]. 通信学报, 2023, 44(3): 117-127.
[6]	余晟兴, 陈钟. 基于同态加密的高效安全联邦学习聚合框架[J]. 通信学报, 2023, 44(1): 14-28.
[7]	张学旺, 黎志鸿, 林金朝. 基于公平盲签名和分级加密的联盟链隐私保护方案[J]. 通信学报, 2022, 43(8): 131-141.
[8]	王继锋, 王国峰. 边缘计算模式下密文搜索与共享技术研究[J]. 通信学报, 2022, 43(4): 227-238.
[9]	封化民, 史瑞, 袁峰, 李艳俊, 杨旸. 高效的强隐私保护和可转让的属性票据方案[J]. 通信学报, 2022, 43(3): 63-75.
[10]	于海宁, 张宏莉, 余翔湛, 曲家兴, 葛蒙蒙. 隐私保护的轨迹相似度计算方法[J]. 通信学报, 2022, 43(11): 1-13.
[11]	彭滔, 钟文韬, 王国军, 罗恩韬, 熊金波, 刘忆宁, Hao Wang. 移动社交网络中面向隐私保护的精确好友匹配[J]. 通信学报, 2022, 43(11): 90-103.
[12]	史瑞, 封化民, 谢惠琴, 史国振, 刘飚, 杨旸. 基于带智能卡的移动终端实现的隐私保护的属性票据方案[J]. 通信学报, 2022, 43(10): 26-41.
[13]	熊金波, 周永洁, 毕仁万, 万良, 田有亮. 边缘协同的轻量级隐私保护分类框架[J]. 通信学报, 2022, 43(1): 127-137.
[14]	晏燕, 丛一鸣, Adnan Mahmood, 盛权政. 基于深度学习的位置大数据统计发布与隐私保护方法[J]. 通信学报, 2022, 43(1): 203-216.
[15]	马立川, 彭佳怡, 裴庆祺, 朱浩瑾. 高效的决策树隐私分类服务协议[J]. 通信学报, 2021, 42(8): 80-89.