目录 |
匿名化是指数据挖掘中隐私保护的最主要的一种技术手段。
数据挖掘上保护隐私的方法可以分成以下几类：
1、扰动和泛化的方法。扰动是对原数据中正确的数值做一些变换，比如加上一个随机量，而且当扰动做完后，要保证分析扰动数据的结果和原数据的结果一致。泛化是指从一个合适的范围内选择新值将原值替换，例如将日期随机替换为一年内的某一天。许多未经过处理的数据都包括用户的姓名、身份证号等，这些属性在公开前可以直接删除，也可以看作泛化的一种形式，即把范围当作无限大。
2、K匿名化和I多样性的方法。
定义准标识符(Quasi-dientifier, QI)是由数据集上若干个属性构成的集合，通过准标识符可以充分识别唯一一个个体，例如身份证号。K匿名化通过扰动和泛化的方法使得每一个准标识符都至少对应k个实例，这样就不能唯一识别，从而保护了用户的隐私。
3、分布式隐私保护。大型的数据集可以在被分割后发布。划分可以“水平”地进行，例如将数据分成不同的子集分别在不同的地方公开;也可以“竖直”地进行，例如按照属性划分成不同的数据集再公开，或者两者结合起来。例如表1中的信息，可以根据不同的需要只公布年龄和身体状况的信息，或者只公布性别和身体状况的信息。
4、降低数据挖掘结果的效果。在很多情况下，即便数据无法被获取，数据挖掘的结果(比如关联规则或者分类模型)仍然有可能泄露隐私。为此可以隐藏某些关联规则或轻微改变分类模型来保护隐私。
5、差分隐私保护的方法。它是研究人员最近提出的，基本思想是通过添加噪声的方法，确保删除或者添加一个数据集中的记录并不会影响分析的结果;因此，即使攻击者得到了两个仅相差一条记录的数据集，通过分析两者产生的结果都是相同的，也无法推断出隐藏的那一条记录的信息。