大数据环境中非交互式查询差分隐私保护模型

doi:10.3778/j.issn.1002-8331.1812-0081

计算机工程与应用 ›› 2020, Vol. 56 ›› Issue (7): 116-121.DOI: 10.3778/j.issn.1002-8331.1812-0081

大数据环境中非交互式查询差分隐私保护模型

许斌，梁晓兵，沈博

1.中国电力科学研究院有限公司，北京 100192
2.中国科学院信息工程研究所信息安全国家重点实验室，北京 100093
3.中国科学院大学网络空间安全学院，北京 100049

出版日期:2020-04-01 发布日期:2020-03-28

Non-interactive Queries Differential Privacy Protection Model in Big Data Environment

XU Bin, LIANG Xiaobing, SHEN Bo

1.China Electric Power Research Institute, Beijing 100192, China
2.State Key Laboratory of Information Security, Institute of Information Engineering, Beijing 100093, China
3.School of Cyber Security, University of Chinese Academy of Sciences, Beijing 100049, China

Online:2020-04-01 Published:2020-03-28

摘要/Abstract

摘要：

针对大数据环境下，非交互式差分隐私无法准确提供及处理大量范围查询的问题，提出一种基于最大信息系数与机器学习的隐私保护数据查询模型。对原始数据集采用最大信息系数选出相关性低的数据作为训练样本集，然后结合差分隐私的并行组合性质对其进行分块划分得到隐私保护的训练样本集，最后应用线性回归算法训练样本集得到差分隐私保护预测模型，该模型隐私保护的方式回答当前提交和大量未知的查询。实验结果表明，所提出的模型在提升发布数据效用性的同时，也提高了查询处理的效率。

关键词: 差分隐私, 最大信息系数, 隐私保护, 范围查询

Abstract:

In the big data environment, non-interactive differential privacy can not accurately provide and deal with a large number of queries. A privacy protection data query model based on maximum information coefficient and machine learning is proposed. Firstly, the data with low correlation is selected as the training sample set by using the maximum information coefficient of the original data set, and then combined with the parallel combination property of differential privacy to obtain the privacy-protected training sample set. Finally, the linear regression algorithm is used to train the sample. The differential privacy protection prediction model answers the current and a large number of unknown queries. The experimental results show that the proposed model improves the efficiency of query processing while improving the utility of published data.

Key words: differential privacy, maximum information coefficient, privacy protection, range query

许斌，梁晓兵，沈博. 大数据环境中非交互式查询差分隐私保护模型[J]. 计算机工程与应用, 2020, 56(7): 116-121.

XU Bin, LIANG Xiaobing, SHEN Bo. Non-interactive Queries Differential Privacy Protection Model in Big Data Environment[J]. Computer Engineering and Applications, 2020, 56(7): 116-121.

[1]	李静星，杨有龙. 针对高维数据的马尔科夫毯特征选择[J]. 计算机工程与应用, 2021, 57(6): 58-66.
[2]	魏立斐，李梦思，张蕾，陈聪聪，陈玉娇，王勤. 基于安全两方计算的隐私保护线性回归算法[J]. 计算机工程与应用, 2021, 57(22): 139-146.
[3]	贺智明，徐亿达. 区块链与可搜索加密结合的电子病历共享方案[J]. 计算机工程与应用, 2021, 57(21): 140-147.
[4]	谢裕清，王渊，江樱，杨苗，王永利. 便于数据共享的电网数据湖隐私保护方法[J]. 计算机工程与应用, 2021, 57(2): 113-118.
[5]	张可铧，成卫青. 基于空间动态划分的差分隐私聚类算法[J]. 计算机工程与应用, 2021, 57(2): 97-103.
[6]	吕鑫，赵连成，余记远，谭彬，曾涛，陈娟. 基于轨迹聚类的连续查询隐私保护方法[J]. 计算机工程与应用, 2021, 57(2): 104-112.
[7]	侯尧，陶洋，杨理，熊炼. 基于差分隐私的个人轨迹信息保护机制[J]. 计算机工程与应用, 2020, 56(9): 106-110.
[8]	宋国超，初广辉，武绍欣. 基于区间区域的位置隐私保护方法[J]. 计算机工程与应用, 2020, 56(8): 66-73.
[9]	曾海燕，左开中，王永录，刘蕊. 路网环境下的语义多样性位置隐私保护方法[J]. 计算机工程与应用, 2020, 56(7): 102-108.
[10]	王杰，陈志刚，刘加玲，程宏兵. 基于聚类的云隐私行为挖掘技术[J]. 计算机工程与应用, 2020, 56(5): 80-84.
[11]	梁晓兵，许斌，翟峰，沈博. 基于属性分类的用电大数据隐私保护方法[J]. 计算机工程与应用, 2020, 56(5): 93-100.
[12]	张思亮，凌捷，陈家辉. 可追踪的区块链账本隐私保护方案[J]. 计算机工程与应用, 2020, 56(23): 31-37.
[13]	杨婷，庞晓琼，陈文俊，王云婷，刘天野. 区块链环境下支持隐私保护的数字权限管理[J]. 计算机工程与应用, 2020, 56(23): 109-115.
[14]	李孟特，顾春华，温蜜. 基于区块链的充电交易数据安全存储平台设计[J]. 计算机工程与应用, 2020, 56(21): 79-84.
[15]	高琦，李红娇. 面向用电数据的周期敏感度差分隐私保护方法[J]. 计算机工程与应用, 2020, 56(20): 73-81.

大数据环境中非交互式查询差分隐私保护模型

Non-interactive Queries Differential Privacy Protection Model in Big Data Environment

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics