面向分类挖掘的独立L-多样性隐私保护方法研究-计算机软件与理论专业毕业论文.docxVIP

独创性声明 本人声明所呈交的学位论文是我个人在导师指导下进行的研究工作及取得的研 究成果。尽我所知，除文中已经标明引用的内容外，本论文不包含任何其他个人或 集体已经发表或撰写过的研究成果。对本文的研究做出贡献的个人和集体，均已在 文中以明确方式标明。本人完全意识到本声明的法律结果由本人承担。 学位论文作者签名： 日期： 年 月 日 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，即：学校有权 保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。 本人授权华中科技大学可以将本学位论文的全部或部分内容编入有关数据库进行检 索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。 保密□ ，在 年解密后适用本授权书。 本论文属于  不保密? （请在以上方框内打“√”） 学位论文作者签名： 指导教师签名： 日期： 年 月 日 日期： 年 月 日 I I 摘要 随着信息技术的发展与普及，大量个人信息被发布以用于数据挖掘，这些信 息在为各行业提供知识及商业价值的同时，也给个人隐私信息的安全造成了威胁。 因此，研究新的、实用的隐私保护技术具有重要的意义。 对于现有的面向分类挖掘的隐私保护技术存在安全性不足的问题，和现有的 满足独立 L-多样性原则的隐私保护技术不适用于分类挖掘应用的问题，首先，给 出了面向分类挖掘的独立 L-多样性隐私保护算法，算法分为三个操作步骤：初始 化操作是为不同类型非隐私属性生成语义树，并对相应语义树进行初始化以提高 算法效率，划分操作是基于 Top-Down Specialization 算法中自顶向下的泛化思想 的两层划分，在划分操作中的划分节点选取操作，使得划分后的匿名数据可以获 得较大的信息增益并降低泛化带来的信息损失，使匿名数据可用于分类挖掘，同 时，在第一层划分后为分组内每个元组添加 L-1 个互不相同的噪音隐私属性值， 扰动操作使匿名后的数据满足独立 L-多样性原则；其次，对给出的算法在安全性、 可用性与代价上的分析，理论上证明了经算法匿名后的数据满足分类挖掘的要求， 且满足独立 L-多样性原则；最后，给出了算法的特性实验、分类挖掘相关算法与 现有工作的对比实验，实验结果表明，匿名后的数据可用于分类挖掘，同时有较 好的分类效果。 关键词： 隐私保护，分类挖掘，泛化技术，独立 L-多样性 II II Abstract With the development and popularization of information technology, a lot of personal information is published to be used for data mining, however, it will threat the privacy of individuals’ with providing people a powerful knowledge and profit. Therefore, the study of new and practical privacy protection technology which aims at the balance between privacy and utility of data is meaningful. For problems that some privacy protection technologys for classification exist the problem of inadequate security, and the existing privacy protection technologys which meet the principle of Independent L-Diversity do not apply to classification, a Privacy-Preserving method with Independent L-Diversity for Classification is proposed. The method has three options: the initialized option is done to improve the efficiency of the algorithm, the partition option based on the method of Top-Down Specialization has two layer division,through the option of CutNode choosing, we will obtai