基于属性分类的用电大数据隐私保护方法

doi:10.3778/j.issn.1002-8331.1904-0187

计算机工程与应用 ›› 2020, Vol. 56 ›› Issue (5): 93-100.DOI: 10.3778/j.issn.1002-8331.1904-0187

基于属性分类的用电大数据隐私保护方法

梁晓兵，许斌，翟峰，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:2020-03-01 发布日期:2020-03-06

Power Consumption Big Data Privacy Protection Method Based on Attribute Classification

LIANG Xiaobing, XU Bin, ZHAI Feng, SHEN Bo

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

Online:2020-03-01 Published:2020-03-06

摘要/Abstract

摘要：

针对用电大数据环境下，非交互式差分隐私模型无法提供准确查询结果及计算开销较大的问题，提出一种基于最大信息系数与数据匿名化的差分隐私数据发布方法。从原始数据集中选出部分隐私属性作为特征集，利用最大信息系数选出与此特征集相关性高的数据作为隐私数据集，使用协同隐私保护算法对隐私数据集进行保护，发布满足差分隐私保护的用电大数据集。理论分析与实验结果表明，所提出的方法在提高大数据隐私保护处理效率同时，有效分化查询函数敏感性，提高发布数据可用性。

关键词: 差分隐私, 最大信息系数, 数据匿名化, 数据发布

Abstract:

In the environment of power consumption big data, non-interactive differential privacy can not provide accurate query results and high computational overhead, a differential privacy data publishing model based on maximum information coefficient and data anonymization is proposed. Firstly, a small number of privacy attributes with high correlation are selected from original data set as feature set by using the maximum information coefficient. Then, the proposed cooperative privacy protection algorithm is applied to the privacy data set to achieve anonymity. Finally, the collaborative privacy protection algorithm is used to protect the privacy data set, and the power consumption big data set meeting the differential privacy protection is released. The theoretical analysis and experimental results show that the proposed method not only improves the efficiency of large data privacy protection processing, but also effectively differentiates the sensitivity of query functions and improves the utility of published data.

Key words: differential privacy, maximum information coefficient, data anonymization, data publishing

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.

LIANG Xiaobing, XU Bin, ZHAI Feng, SHEN Bo. Power Consumption Big Data Privacy Protection Method Based on Attribute Classification[J]. Computer Engineering and Applications, 2020, 56(5): 93-100.

[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]	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.
[3]	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.
[4]	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.
[5]	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.
[6]	王佳贺，魏松杰，吴超. 差分隐私保护的Android应用流量行为混淆方法[J]. 计算机工程与应用, 2020, 56(2): 68-75.
[7]	郭磊，王顺芳. 序列信息融合与两阶段特征选择的膜蛋白预测[J]. 计算机工程与应用, 2019, 55(6): 145-150.
[8]	张思佳1，顾春华2，温蜜1. 智能电网中的数据聚合方案分类研究[J]. 计算机工程与应用, 2019, 55(12): 83-89.
[9]	薛佳楣，张磊，玄子玉. Voronoi图划分实现位置数据发布隐私保护[J]. 计算机工程与应用, 2019, 55(10): 121-126.
[10]	李丹，凌捷. 一种基于变长聚类的个性化匿名保护方法[J]. 计算机工程与应用, 2018, 54(8): 85-90.
[11]	贾俊杰，陈菲. [(α,k)]-匿名数据集的增量更新算法[J]. 计算机工程与应用, 2016, 52(14): 90-94.
[12]	郭旭东，吴英杰，杨文进，王晓东. 隐私保护轨迹数据发布的l-差异性算法[J]. 计算机工程与应用, 2015, 51(2): 125-130.
[13]	王平水1，2，王建东1. 一种基于聚类的个性化（l，c）-匿名算法[J]. 计算机工程与应用, 2012, 48(23): 16-20.
[14]	王胜和1，王佳俊2，刘腾腾2，倪巍伟2. 多维敏感属性隐私保护数据发布方法[J]. 计算机工程与应用, 2012, 48(20): 136-141.
[15]	金华，鞠时光，兰丽辉，刘善成. 面向统计应用的隐私保护发布[J]. 计算机工程与应用, 2011, 47(30): 109-112.

基于属性分类的用电大数据隐私保护方法

Power Consumption Big Data Privacy Protection Method Based on Attribute Classification

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