基于Shannon信息熵与BP神经网络的隐私数据度量与分级模型

doi:10.11959/j.issn.1000-436x.2018286

通信学报 ›› 2018, Vol. 39 ›› Issue (12): 10-17.doi: 10.11959/j.issn.1000-436x.2018286

基于Shannon信息熵与BP神经网络的隐私数据度量与分级模型

俞艺涵,付钰,吴晓平

海军工程大学信息安全系，湖北武汉 430033

修回日期:2018-08-01 出版日期:2018-12-01 发布日期:2019-01-21
作者简介:俞艺涵（1992–），男，浙江金华人，海军工程大学博士生，主要研究方向为信息安全、隐私保护。|付钰（1982–），女，湖北武汉人，海军工程大学副教授，主要研究方向为信息安全、风险评估。|吴晓平（1961–），男，山西新绛人，海军工程大学教授、博士生导师，主要研究方向为信息安全、密码学。
基金资助:
国家自然科学基金资助项目(No.61100042);国家社会科学基金资助项目(No.15GJ003-201)

Metric and classification model for privacy data based on Shannon information entropy and BP neural network

Yihan YU,Yu FU,Xiaoping WU

Naval University of Engineering, Wuhan 430033, China

Revised:2018-08-01 Online:2018-12-01 Published:2019-01-21
Supported by:
The National Natural Science Foundation of China(No.61100042);The National Social Science Foundation of China(No.15GJ003-201)

摘要/Abstract

摘要：

针对当前网络环境下由隐私数据识别困难问题所引出的隐私度量与分级需求，提出了一种基于 Shannon信息熵与BP神经网络的隐私数据度量与分级模型。该模型从3个维度建立了两层隐私度量要素，基于数据集本身，利用Shannon信息熵为二级隐私要素定权，并由此计算数据集中各条记录在一级隐私度量要素下的隐私量；利用BP神经网络在不预设度量权值的情况下，输出隐私数据分级结果。实验表明，该模型能够在极低的误判率和较小的误判偏差下实现对隐私数据的度量与分级。

关键词: 隐私安全, 信息熵, BP神经网络, 隐私度量

Abstract:

Aiming at the requirements of privacy metric and classification for the difficulty of private data identification in current network environment, a privacy data metric and classification model based on Shannon information entropy and BP neural network was proposed. The model establishes two layers of privacy metrics from three dimensions. Based on the dataset itself, Shannon information entropy was used to weight the secondary privacy elements, and the privacy of each record in the dataset under the first-level privacy metrics was calculated. The trained BP neural network was used to output the classification result of privacy data without pre-determining the metric weight. Experiments show that the model can measure and classify private data with low false rate and small misjudged deviation.

Key words: privacy security, information entropy, BP neural network, privacy metrics

中图分类号:

TP301

俞艺涵,付钰,吴晓平. 基于Shannon信息熵与BP神经网络的隐私数据度量与分级模型[J]. 通信学报, 2018, 39(12): 10-17.

Yihan YU,Yu FU,Xiaoping WU. Metric and classification model for privacy data based on Shannon information entropy and BP neural network[J]. Journal on Communications, 2018, 39(12): 10-17.

图/表 8

图1

表1

图2

图3

图4

表2

图5

图6

参考文献 17

[1]	CHANG V , SUN G , LI J . Guest editorial: security and privacy for multimedia in the internet of things (IoT)[J]. International Journal of Uncertainty, Fuzziness and Knowledge-Based Systems, 2002,10(5): 557-570.
[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]	MACHANAVAJJHALA A , KIFER D , GEHRKE J . L-diversity: privacy beyond k -anonymity[J]. ACM Transactions on Knowledge Discovery from Data, 2007,1(1): 3.
[4]	DWORK C , MCSHERRY F , NISSIM K . Calibrating noise to sensitivity in private data analysis[J]. Proceedings of the Vldb Endowment, 2006,7(8): 637-648.
[5]	DWORK C , ROTH A . The algorithmic foundations of differential privacy[M]. Boston: Now Publishers Inc. 2014
[6]	GUZMAN J A D , THILAKARATHNA K , SENEVIRATNE A . Security and privacy approaches in mixed reality: a literature survey[J]. arXiv:1802.05797v2[cs.CR], 2018.
[7]	LI N , LI T , VENKATASUBRAMANIAN S . Closeness: a new privacy measure for data publishing[J]. IEEE Transactions on Knowledge &Data Engineering, 2010(7): 943-956.
[8]	GKOUNTOUNA O , TERROVITIS M . Anonymizing collections of tree-structured data[J]. IEEE Transactions on Knowledge & Data Engineering, 2015,27(8): 2034-2048.
[9]	CLAU? S , SCHIFFNER S . Structuring anonymity metrics[C]// The Workshop on Digital Identity Management.ACM, 2006: 55-62.
[10]	PENG C G , DING H F , ZHU Y J , et al. Information entropy models and privacy metrics methods for privacy protection[J]. Journal of Software, 2016,27(8): 1891-1903.
[11]	ZHANG W J , HUI L I . A differentially-private mechanism for multi-level data publishing[J]. Chinese Journal of Network & Information Security, 2015,1(1): 58-65.
[12]	JORGENSEN Z , YU T , CORMODE G . Conservative or liberal? Personalized differential privacy[C]// International Conference on Data Engineering. IEEE, 2015: 1023-1034.
[13]	WAGNER I , ECKHOFF D . Technical privacy metrics: a systematic survey[J]. Computer Science, 2018,51(3).
[14]	SHANNON C E . A mathematical theory of communication[J]. Bell System Technical Journal, 1948,27(4): 379-423.
[15]	BARNUM H , BARRETT J , CLARK L O , et al. Entropy and information causality in general probabilistic theories[J]. New Journal of Physics, 2012,14(12): 129401.
[16]	ZHANG G , ZHANG Z , HE Y . Review on BP neural network applied in the textile and clothing Field[J]. Shandong Textile Science & Technology, 2013.
[17]	PHELPS J , NOWAK G , FERRELL E . Privacy concerns and consumer willingness to provide personal information[J]. Journal of Public Policy & Marketing, 2013,19(1): 27-41.

维度（P）	一级要素（L）	二级要素（l）
隐私内容（P₁）	人口统计学信息（L₁）	证件（l₁₁）
		姓名（l₁₂）
		年龄（l₁₃）
		身高（l₁₄）
		体重（l₁₅）
		民族（l₁₆）
		籍贯（l₁₇）
	偏好信息（L₂）	兴趣特长（l₂₁）
		宗教信仰（l₂₂）
		政治倾向（l₂₃）
		购物偏好（l₂₄）
	财务信息（L₃）	信贷资料（l₃₁）
		收入（l₃₂）
		银行卡号（l₃₃）
		网银等虚拟账号（l₃₄）
	通信信息（L₄）	社交信息（l₄₁）
		家庭、工作地址（l₄₂）
		电子邮箱（l₄₃）
		手机、电话号码（l₄₄）
隐私状态（P₂）	静态信息（L₅）	家庭（l₅₁）
		工作（l₅₂）
		学历（l₅₃）
		社会关系（l₅₄）
	动态信息（L₆）	Cookies（l₆₁）
		位置移动信息（l₆₂）
		网络行为信息（l₆₃）
隐私详情（P₃）	精确信息（L₇）	时刻（l₇₁）
		坐标（l₇₂）
	模糊信息（L₈）	时间（l₈₁）
		地区（l₈₂）

样本隐私等级（P）	样本数量/个	误判数/个	误判率	误判偏差率
1	97	1	1.03%	2.80%
2	79	1	1.26%	3.44%
3	120	1	0.83%	2.27%
4	183	7	3.82%	12.95%
5	165	6	3.64%	9.88%
6	114	4	3.51	9.53%
7	98	1	1.02%	2.77%
8	144	1	0.69%	1.89%
1~8	1 000	22	2.20%	6.45%

基于Shannon信息熵与BP神经网络的隐私数据度量与分级模型

Metric and classification model for privacy data based on Shannon information entropy and BP neural network

在线阅读

PDF下载

可视化

摘要/Abstract

引用本文

使用本文

图/表 8

参考文献 17

相关文章 15

Metrics

推荐阅读 0

[1]	张忠平, 刘伟雄, 张玉停, 邓禹, 魏棉鑫. ERDOF：基于相对熵权密度离群因子的离群点检测算法[J]. 通信学报, 2021, 42(9): 133-143.
[2]	毛伊敏, 邓千虎, 陈志刚. 基于信息熵与遗传算法的并行关联规则增量挖掘算法[J]. 通信学报, 2021, 42(5): 122-136.
[3]	张文静,刘樵,朱辉. 基于信息论方法的多等级位置隐私度量与保护[J]. 通信学报, 2019, 40(12): 51-59.
[4]	王缵,田有亮,李秋贤,杨新欢. 基于信用模型的工作量证明算法[J]. 通信学报, 2018, 39(8): 185-198.
[5]	吴志军,张景安,岳猛,张才峰. 基于联合特征的LDoS攻击检测方法[J]. 通信学报, 2017, 38(5): 19-30.
[6]	孙鹏浩,兰巨龙,张少军,李军飞. 基于信息熵的匹配域裁剪算法[J]. 通信学报, 2017, 38(5): 182-189.
[7]	刘湘雯,石亚丽,冯霞. 基于弱分类器集成的车联网虚假交通信息检测[J]. 通信学报, 2016, 37(8): 58-66.
[8]	万盛,李凤华,牛犇,孙哲,李晖. 位置隐私保护技术研究进展[J]. 通信学报, 2016, 37(12): 124-141.
[9]	杨静,张冰,张健沛,谢静. 基于图划分的个性化轨迹隐私保护方法[J]. 通信学报, 2015, 36(3): 1-11.
[10]	李永凯,刘树波,杨召唤,刘梦君. 机会网络中用户属性隐私安全的高效协作者资料匹配协议[J]. 通信学报, 2015, 36(12): 163-171.
[11]	靳一，吴乐南，余静，邓蕾. 多元位置3值VMAP调制解调器[J]. 通信学报, 2013, 34(8): 23-184.
[12]	靳一,吴乐南,余静,邓蕾. 多元位置3值VMAP调制解调器[J]. 通信学报, 2013, 34(8): 177-184.
[13]	王堃1，王琳琳1，刘艳2，张玉华1，吴蒙1. 基于信息熵的改进PESA算法[J]. 通信学报, 2013, 34(11): 5-47.
[14]	王堃,王琳琳,刘艳,张玉华,吴蒙. 基于信息熵的改进PESA算法[J]. 通信学报, 2013, 34(11): 33-41.
[15]	张拥华,杜飞明,吴代文. 基于信息熵的蚁群聚类DBSCAN改进算法[J]. 通信学报, 2012, 33(Z2): 290-293.