基于关联规则挖掘的隐私数据保护.pdfVIP

信 息 技 术 SC_ENCE＆TECHN0L00Y， 圜 基于关联规则挖掘的隐私数据保护 吴 方 (福建医科大学数理计算机教学部 福州 350000) 摘 要：隐私数据保护是 目前网络安全关注一个热点之一 ，随着数据挖掘技术的不断发展，恶意用户可以使用相关技术推理出正常用户 的隐私信息。在提出关联规则的前提下，提 出了一种基于关联规则挖掘的穗私数据保护方法，对数据进行规则隐藏，从而保护用户的隐 私数据。 关键词：关联规冀{ 隐私 数据挖掘 中图夯类号：TP3 文献标识码：A 文章编号：1672—3791(2008)11(b)一0021—02 任何事情都有其两面性 ，数据挖掘领 关联规则是形如A B的蕴涵式 ，其中 显然 ，当数据库中不存在未知值(例如 域也不例外，在挖掘数据产生财富的同时 ， ACI，BCI，并且AnB= 。规则AjB在事 用 “? 标记的值)时，有minconf(A B) 随之产生的就是隐私泄露 的问题。随着数 务集D中成立 ，具有支持度S和置信度C，它 =maxconf(A B)成立。在数据隐私变换过 据挖掘技术的发展 ，大量的私人信 息如购 们的概率分别是P(AUB)和P(BIA)。即是 程中，当我们开始放入 “?”时，最小值和最 物 习惯 、犯罪记录、病史、信用记录等通 Support(AjB)=P(AUB) 大值将开始分离 ，并且规则的不确定度开 过应用数据挖掘技术被广泛 的收集和分 Confidence(A~B)=P(BIA) 始增加。 析。一方面 ，这些数据对于政府、商业组织 支持度表明了AjB模式发生的概率 ， 2．2敏感性规则隐藏的思想方法 决策和提供社会福利如医疗研 究、减少犯 置信度表明了蕴涵的强度。同时满足最小 给定最小支持度和最小置信度 阈值 ， 罪、国家安全等是很重要的l21。另一方面 ， 支持度 阈值 (min—sup)和最小置信度阈值 从数据库中抽取出一组规则R，我们假定规 因为数据挖掘揭示了不容易发现 的模式或 (rain—conf)的规 0称为强规则。一般地 ，由 则集R中哪些规则是敏感的是 由领域专家 各种知识 ，如果不正确使用的话 ，它可能对 用户给定最小支持度和最小置信度阑值 ， 决定。规则隐藏算法的 目的是使得敏感性 隐私和信息安全构成威胁 。公开分析大量 发现关联规则的任务就是从数据库 中发现 规则对关联规则挖掘算法不可见，同时尽 的私人数据还可能是对个人隐私的一种侵 那些支持度和置信度都大于给定阈值的强 可能少地影响留下的非敏感性规则 ，以便 犯 。在数据挖掘工具和电信与计算机网络 规则，也就是说 ，挖掘关联规 0的关键是在 尽可能高地保持数据质量 。 日益普 及的今天 ，数据挖掘要面对 的一个 大型数据库 中发现强规则。 为了隐藏规则AjB，我们可以或者把 重要 问题是隐私保护和信息安全 ，开发有 项的集合称为项集 (itemset)，包含k个 项集 AB的支持度降低到最小支持度阈值 关的方法或集成技术，以便在适当的信息 项的项集称为k一项集 。项集 的出现频率 MST以下 ，或者可以把置信度降低到最小 访 问和挖掘过程 中确保隐私保护和信息安 是包含项集的事务数 ，简称为项集的频率 置信度阀值MeT以下。这可以由用 “? 取 全变得非常迫切。这样便使数据挖掘本身 或支持计数 。若项集的出现频率大干等于 代原真实值以增加支持度和置信度的不确 形成 了一个独立的新的领域”一’1。 rain— sup与D中事务总和的乘积，则项集满 定性 (支持度和置信度 区间长度)来完成。 足最小支持度min—sup，此时称为频繁项集 ①如果采用的是通过降低支持度来隐 1关联规则 (FrequentItemset)，频繁k一项集的集合通 藏规则AB，那么唯一 的办法就是用 AB中 关