毕业设计（论文）-了K-Q算法在检测准确率和内存消耗.docxVIP

目录指导小组成员名单0目录1摘要2Abstract3第一章绪论41.1.引言41.2.本文工作61.3.本文组织结构7第二章相关工作及研究背景82.1推理攻击与隐私保护82.1.1推理攻击方法92.1.2 推理攻击的防御102.2 匿名和泛化10第三章隐私泄露检测和查询结果泛化113.1问题描述和相关定义113.2系统框架介绍123.3 K-Q算法133.3.1KData133.3.2 KGraph143.3.3泄露检测算法 K-Q153.3.4 匿名和泛化17第四章实验19第五章总结和将来工作21参与文献22攻读学位期间作者的研究成果24摘要在一些开发性较强的用户平台如社交网络，微博平台等，用户数据往往是公开的，任何注册用户甚至匿名用户都可以直接查看这些数据，如果不采取一定的措施来防止潜在的隐私泄露，将会造成敏感数据的泄露，从而危害到数据的发布者甚至整个平台。传统的隐私保护手段主要是对单次发布的数据进行一定的泛化和抑制来保证用户数据的发布的安全性，同时也保证了其一定的可用性，如隐藏掉某个字段或对某个字段进行归一化等。但这些方法只能保证当前查询的输出没有泄露隐私数据，并不能保证它的输出和已有的发布数据进行联合分析时没有隐私泄露的可能，而这正是共谋欺诈和推理攻击技术所带来的隐私泄露。面对海量查询和数据，现有的系统往往无法辨别出查询历史中的哪些查询是可能造成敏感数据泄露的，因为这些数据窃取行为和用户的正常访问行为并无二义，超出了传统信息安全领域所理解的范畴。对开放性极强的数据共享平台上的海量数据和大量查询，防止推理攻击而造成的间接性隐私泄露一直是隐私保护领域的研究重点，已有工作需要耗费较大的系统资源来维护整个查询历史及其结果，无法同时保证检测代价的最小化和查询响应的低延迟。要快速的输出查询结果，必须要及时对当前查询的输出和所有相关历史查询输出进行联合计算，而这显然需要耗费较大的时间（计算代价）和空间（存储历史查询输出的代价），特别是在海量查询的情况下。针对这一问题，本文提出了一种基于k-匿名的隐私泄露检测算法（K-Q），K-Q算法只需耗费较少资源维护查询输出的KData以及查询历史构成的KGraph即可保证推理攻击的实时检测。在真实数据集上的实验，证明了K-Q算法在检测准确率和内存消耗上明显优于已有的相关元组的推理检测算法。关键词：K-匿名；数据共享平台；隐私泄露检测；推理攻击中图分类号：TP3AbstractThe privacy protection problem gets more concerns when it meets big data and thousands of queries in an open data sharing platform, especially when the disclosure is triggered by inferenceattack. Existing works often waste too much system resources to maintain the whole query history and its data output, which cannot satisfy real-time detection of inference attack and low-level query response both at the same time. In this paper, we propose a k-anonymity based privacy disclosure detection algorithm called K-Q, which just waste less resource to hold query history named KGraph and query result named KData and can assure the almost real-time detection of an inference attack. The experiments on the real dataset demonstrates K-Q algorithms improvement on detection accuracy and memory consumption, which is better than the existing tuple inference algorithm..Keywords:k-anonymity;data sharing platform;privacy disclosure;inferenceattack绪论引言信息安全一直是学术界和工业界关注的重点，特别在现在数据爆炸式增长的情