基于奇异值分解的银行客户数据隐私保护算法研究.pdf

i息安全 ●InformationSecurity 基于奇异值分解的银行客户数据隐私保护算法研究 文 ／季文韬 魏巍 如何在保护客 户数据 隐私的 前提下进行有效的数据挖掘，已 经成为金融业数据挖掘领域的重 要课题。用矩阵的奇异值分解进 区 行数据扰动，不仅 能消除数据 噪 音，还能获得准确的聚类效果。 本文提 出了一种奇异值分解的聚 类算法，实验表明算法能有效的 图 1：SVD-clustering模型 保护客户数据 隐私，而且保 留了 聚类分析的准确特征。 键词】奇异值分解 隐私保护 聚类分析 随着数据挖掘技术和机器学习算法的快 ：展，数据隐私保护问题已经越来越引起人 J关注 。目前的隐私保护方法主要分为两类 (1)对原始数据值进行扭 曲、扰动、随 和匿名化，使数据使用者不能得出数据的 ；值 。 图2：扰动前后的数据点相对距 离 (2)修改数据挖掘算法，使分布式数据 i中的参与者在不知道确切数据值的情况下 似关联的数据结构。 原始数据，这样，包含隐私保密信息的原始数 }得出数据挖掘的结果。 设A是任 意一个mxn阶实矩 阵，即 据就得到了保护。 数据扰动是隐私保护数据挖掘应用的重 A ∈Rm ，则存在一个mxm阶的正交矩阵u， 2．1SVD—clustering算法流程 l成部分，我们利用奇异值分解 (Singular mxn阶的广义对角矩阵w 和nxn阶的正交矩 edecomposition)SVD)对保密数值属性 阵v，使得 输入：初始矩阵D，划分的聚类的数 目K ：扰动，并在矩阵分解的基础上进行隐私数 A=UWV 输出：转换后的矩阵D，聚类结果 !类。我们所提出的的奇异值分解聚类方法， r n- (1)在矩阵D中找出需要保密的数据属 可以满足保护敏感数据属性的要求，同时 其中， l vJ，∑f=diag(o1，G2，… 性序列 (a)i=l，2，…，n．形成一个新的矩阵A， fK-means聚类分析的一般特点，能得到准 ，ar)，o1≥a2 … oxO。并且A 的秩等于 r。 A=a【l，a2，…，an】； 】数据模型和分析结果。 奇异值分解的显著特点是在降维压缩数 (2)用 SVD算 法 对矩 阵D进 行分解 据的同时保护了主要的数据模式。在隐私保护 SVD(A)=UWV ； 法的理论基础 金融数据挖掘应用中，扰动的数据集Ak可以 (3)找出扰动后的矩阵A=uwkVkT： 在同时提供数据隐私保护，还保留了原始数据 (4)用Ak的值更新数据库D，形成新的 K一均值聚类算法 的可用性，使其真实地表现原始的数据集结构。 矩阵D ； K．均值聚类算法是一个将包含有n个对 奇异值分解 (SVD)是一种常见的数据挖 (5)在矩阵D 中对保密数据的属性进 l数据集划分成k个聚类的过程，使同一聚 掘矩阵分解方法和信息检索方法。它开始被用 行聚类分析。 来降低数据集的维度。文献 [3]提出了用SVD ，的对象属性相似度较高，而不同聚类中的 2．2算法示例 进行数据扰动的技术，在文献 [4]中，SVD技 属性相似度较小。聚类分析的基本指导思 }是最大程度地实现类中对象相似度最大， 术是用来扰动数据集的模式部分。