隐私保护技术解决了数据发布过程中的隐私泄露问题，然而当前的数据发布技术大多只面向查询用户发布同一隐私保护级别的数据，并未考虑查询用户等级不同的情况。在所提出的满足差分隐私的数据分级发布机制中，数据发布方利用隐私预算参数不同的拉普拉斯机制对数据查询结果进行隐私保护处理，实现了输出隐私保护程度不同的查询结果。在依据付费或权限对查询用户分级后，数据发布方为等级较高（低）的查询用户发布隐私保护程度较低（高）的查询结果，使得查询用户可使用错误率较低（高）的数据，达到了隐私数据分级发布的效果。实验结果与安全性分析表明该机制在抵抗背景知识攻击的同时还可有效地实现输出错误率不同的分级查询结果。
2023-04-18 12:59:44
707KB
1
基于匿名化技术的理论基础，采用DBSCAN聚类算法对数据记录进行聚类，实现将个体记录匿名化隐藏于一组记录中。为提高隐私保护程度，对匿名化划分的数据添加拉普拉斯噪声，扰动个体数据真实值，以实现差分隐私保护模型的要求。通过聚类，分化查询函数敏感性，提高数据可用性。对算法隐私性进行证明，并实验说明发布数据的可用性。
2022-05-26 20:07:06
183KB
1
推荐系统已经成为Internet商家给用户提供个性化服务的高级商务智能平台之一，然而，用于研究推荐系统的数据信息里往往存在能够被攻击者直接或者间接获取的个人隐私。近年来受到极大关注的差分隐私保护是一种非常严格的、可证明的隐私保护模型。针对目前流行的协同过滤算法之一的矩阵分解进行了研究，提出了采用差分隐私保护技术对原始输入数据进行预处理和扰动处理的新方法。最后通过在真实数据集上进行相关实验验证，结果表明提出的带差分隐私保护的矩阵分解算法达到了预期：既能保护用做推荐研究的原始数据集的隐私，又没有严重影响推荐的准确率。
2022-05-25 08:57:58
1.54MB
1
差分隐私保护通过添加噪声使数据失真, 从而起到保护隐私的目的, 对于一个严格定义下的攻击模型, 其具有添加噪声少、隐私泄露风险低的优点。介绍了差分隐私保护的理论基础和最新研究进展, 详细阐述了分类、聚类等差分隐私学习方法的最新研究情况, 介绍了一个差分隐私保护的应用框架PINQprivacy integrated queries, 并对未来的研究发展方向进行了展望。
2022-05-25 00:45:42
1.25MB
1
Differential Privacy
采用Java语言，基于Diffie-Hellman Key Exchange算法和AES256算法,实现一个差分隐私保护协议。
首先通过D-H密钥交换算法生成一个对称密钥，然后采用AES256算法使用该密钥对传输的内容进行加密，以此保护用户信息的隐私安全。
Differential Privacy
差分隐私保护模型的思想源自于一个很朴素的观察：当数据集D中包含个体Alice时，设对D进行任意查询操作f（例如计数、求和、平均值、中位数或其它范围查询等）所得到的结果为f(D),如果将Alice的信息从D中删除后进行查询得到的结果仍然为f(D)，则可以认为，Alice的信息并没有因为被包含在数据集D中而产生额外的风险。
差分隐私保护就是要保证任一个体在数据集中或者不在数据集中时，对最终发布的查询结果几乎没有影响。
Differential priva
2022-03-24 21:03:09
20KB
1
大数据中的隐私保护问题是当前网络空间安全领域的一个研究热点，差分隐私保护作为严格且可证明的隐私保护定义，研究其在大数据环境下的应用现状能够为其后续的系统性应用等提供参考与指导。在系统分析差分隐私保护的相关概念与技术特性的基础上，通过对差分隐私保护技术在数据发布与分析、云计算与大数据计算、位置与轨迹服务及社交网络中的应用等进行综述，阐述了当前具有代表性的研究成果并分析了其存在的问题。研究表明，现有成果从差分隐私保护机理、噪声添加机制与位置、数据处理方式等方面对差分隐私保护应用进行了卓有成效的创新与探究，且相关成果在不同场景下实现了交叉应用。最后提出了差分隐私保护在大数据环境下进一步系统性应用还需要注意的四大问题。
2021-10-15 10:41:49
660KB
1
该文件为ppt格式，内容为差分隐私保护的基础概念和理论。对初学者有帮助。建议初学者先孳息阅读博客内容三遍以上，如果有条件结合吴英杰的隐私保护数据模型发布这本书，吃透理论。下载的课件有实例，帮助理解。
2021-06-26 22:53:33
1.31MB
1