面向深度学习的动态数据脱敏技术研究.pdfVIP

面向深度学习的动态数据脱敏技术研究

窦亚珍

（河南农业职业学院，郑州451450）

摘要：聚焦于面向深度学习的动态数据脱敏技术，旨在解决在数据共享和数据分析过程中敏感信息

被泄露的问题。对动态数据脱敏系统进行架构设计，结合特征工程和生成对抗网络（GAN），研究了一

种新颖的数据脱敏方法，通过对公开数据集的实验，采用重识别率指标对数据脱敏效果进行了评估，

结果表明了所提方法在保护数据隐私的同时，有效地保证了数据的有效性。

关键词：深度学习；特征工程；生成对抗网络；数据脱敏；隐私保护

1概述括以下核心模块，分别是数据接入层、数据预处理层、

随着大数据技术与人工智能技术的迅猛发展，数据特征工程模块、数据脱敏引擎、数据输出层，如图1

在现代社会中的重要性愈发显著。然而，数据隐私问题所示。

越来越受到重视，尤其是在深度学习应用中，数据的敏数据接入层

感性和隐私保护是一个重要的研究方向。为了在数据利

用和隐私保护之间取得平衡，数据脱敏技术应运而数据预处理层

数据格式填补

[1,2]

生。数据脱敏通过对原始数据进行变换，在确保数清洗转换缺失

据实用价值的同时，致力于保障敏感信息的安全性，防

止其被外泄。在此背景下，研究动态数据脱敏技术对于特征工程模块

保障数据安全、提升数据利用效率具有深远的理论意义

数据脱敏引擎

及广泛的实践应用价值。规则机器学习

当前，数据脱敏技术主要分为静态脱敏和动态脱敏脱敏方法

[3,4]

两大类。静态脱敏方法通常在数据存储之前对数据

数据输出层

进行处理，虽然能够有效保护数据隐私，但在面对不断

变化的数据环境时，其应对能力有所不足。动态数据脱图1系统架构

敏则在数据流动过程中实时处理数据，更适用于现代数数据接入层负责从各种数据源（例如，数据库、

据驱动的应用场景。然而，现有的动态数据脱敏方法大数据流、中间件等）实时获取原始数据。在数据接入

多存在一些局限性，例如，对数据特征的处理不足、脱之后，数据预处理层会对原始数据进行初步的处理，

敏效果不理想等。这些问题阻碍了动态数据脱敏技术的包括数据清洗、格式转换、缺失值填补等操作。这层

进一步发展和广泛应用。的主要目的是提升数据质量，确保后续处理环节的准

针对现有方法的局限性，主要研究内容包括以下3确性和有效性。此外，数据预处理层还进行初步的敏

个方面。首先，对动态数据脱敏系统的架构进行了设感信息标识和筛选，为数据脱敏引擎提供必要的基础

计，其次，提出了一种结合特征工程的生成对抗网络信息。

[5-7]特征工程模块在数据脱敏之前起到重要作用，该

（GAN）数据脱敏方法，并通过引入特征工程提升数

据脱敏的效果。最后，采用重识别率指标对所提