基于分解技术的匿名化算法及评估模型的实现-开题报告

1选题背景和意义- 2 -

2国内外研究现状、发展动态- 2 -

3研究的内容及可行性分析- 3 -

3.1研究内容如下：- 3 -

3.1.1基于分解技术的匿名化模块的实现- 3 -

3.1.2匿名数据质量评估模块的实现- 3 -

3.2可行性分析：- 3 -

3.2.1使用微数据发布隐私保护匿名化平台，微数据的拥有者在发布微数据时，可以根据用户的隐私需求，实现微数据的匿名化，大大降低了微数据的发布成本，可以更及时地发布信息。- 3 -

3.2.2设计出来的微数据发布隐私保护匿名化平台以简单的图形界面呈现，并且会对输入的数据标准化，便于工作人员操作，采用友好的交互界面，简洁明了，不需要对算法非常了解也可以使用。- 3 -

3.2.3本人擅长于计算机程序设计，能熟练运用Visual C++、Netbeans、Eclipse等编程软件，并且已经收集了较多关于匿名化技术的信息，对这方面有一定的了解。- 3 -

4参考文献- 4 -

1选题背景和意义

随着信息技术的发展，在信息领域存在大量与个体相关的数据，这类数据被称为微数据。微数据在市场分析、趋势预测、疾病分析、社会状况等领域发挥着巨大的作用。因此，政府部门和很多机构开始收集和发布微数据，然而，微数据中通常包含了个体的隐私信息, 其发布会对个体的隐私构成威胁，使得微数据的巨大作用难以充分发挥。信息共享和数据挖掘等技术的发展，使得个体隐私信息泄露的可能性大大增加。因此微数据发布中隐私保护问题已成为数据挖掘和信息安全领域的一个重要课题。

在众多的微数据隐私保护技术中，匿名化技术以其简单有效而得到了广泛的应用。相对于添加噪音、随机化等技术，匿名化技术能保持更多的数据真实性。经过学术界近10年的研究，该领域已经提出了很多成熟的匿名模型和匿名化算法，目前匿名化模型主要有k-匿名模型、l-多样性模型、(α,k)-匿名模型、t-closeness模型等。

匿名模型的实现依赖于匿名化技术和算法。目前匿名化算法主要基于3类技术：泛化与隐匿技术、微聚集技术、分解与重排技术。泛化是实现微数据匿名化最常用的技术。泛化是指将准标识符上的属性值转化为更一般(或更模糊)的但语意一致的值，以增加在准标识符上不可区分的元组个数。但泛化技术比较适合匿名化分类型数据，在匿名化数值型数据时，会丢失数值型数据的部分语义信息。

微聚集原为SDC技术中的方法，该方法主要运用于数据表的k-匿名化上。该方法是通过用均值或众数来取代等价类中元组在准标识符上的值来实现数据表的匿名化。微聚集算法在匿名化数值型数据时，可以保持较好的数值语义，但它不适合匿名化分类型数据。

分解技术是将准标识符属性与敏感属性分开单独发布成两个表，并在两个表中增加了一个相同的连接属性，来实现两个表的关联。与泛化和隐匿相比，分解并不修改准标识符值或敏感属性值，而是通过将敏感属性值分组，并将敏感属性与其他属性分开发布，来降低准标识符与敏感属性之间的关联。

分解法的优点主要在于准标识符和敏感属性都不做任何变换，因此，在聚集查询方面，该方法比泛化方法更有优势。本课题主要设计微数据发布匿名化系统中的分解算法包。

2国内外研究现状、发展动态

基于分解技术的研究工作主要包括：Xiao[5]等采用分解的方法实现l-多样性模型。Wong[6]等采用分解的方法实现了(α,k)-匿名模型。杨晓春[7]等提出了基于分解的3种不同线性时间的贪心算法：最大桶优先算法(MBF)、最大单维容量优先算法(MSDCF)和最大多维容量优先算法(MMDCF)，用来实现多敏感属性的多样性。Zhang[8]等提出基于重排的算法，用于实现数值型敏感属性数据的(k, e)-匿名模型。Tao[9]等提出结合泛化与分解的Angel技术，对准标识符做泛化处理，再将敏感属性与准标识属性分解成两个表，用batch-ID连接，提高安全性，同时也是分解技术的超集。

目前对这些匿名模型和算法的研究多处在理论研究阶段，还没有一个实现各种匿名模型的匿名化平台。微数据的拥有者发布微数据时，需要根据用户的隐私需求，开发匿名化工具，实现微数据的匿名化，使得微数据的发布成本高，发布不及时。

针对该问题，本课题将设计实现一个具有一定通用价值的微数据发布隐私保护匿名化平台。平台主要包含以下模块：数据预处理模块、基于泛化技术的匿名化模块，基于分解技术的匿名化模块、基于微聚集技术的匿名化模块、数据评估模块等。输入需要匿名化的数据，系统会对数据进行标准化的设置，配置好相应的参数并选择相应的匿名化算法，经过该系统的处理，就能输出所需要的匿名化数据，并且系统会对输出的匿名化数据进行评估。

3研究的内容及可行性分析

3.1研究内容如下：

3.1.1基于分解技术的匿名化模块的实现

分解技术中存在大量的匿名化算法，研究分解技术中最重要的几种算法，主要是分桶算法，理解他们的思想和流程，利用java语言，完成基于分解技术的匿名化模块，首先对输入输出文件标准化，每个算法实现输入参数可视化，即在提供界面中，让用户选择，准标识符的个数，敏感属性的个数。各个模块相互独立，通过调用算法模块，根据用户选择的参数，产生匿名数据。匿名数据的评估模块尽可能独立，用户选择相应的评估算法， 每个算法可以调用这些模块，完成匿名数据评估。

3.1.2匿名数据质量评估模块的实现

匿名数据的质量即指经过匿名化处理之后数据的可用性，由于数据的匿名化过程会对原始数据造成一定的信息损失，降低数据的可用性，匿名化算法研究的一个目标就是在保证数据安全的条件下，尽量减少数据的信息损失，使数据分析者从匿名数据中挖掘的知识与从原始数据中挖掘的知识尽量保持一致。目前已有各种匿名数据可用性度量的方式，本课题将实现现有的几种主要的评估算法，理解他们的思想和流程，利用java语言，完成匿名数据质量评估模块。

3.2可行性分析：

3.2.1使用微数据发布隐私保护匿名化平台，微数据的拥有者在发布微数据时，可以根据用户的隐私需求，实现微数据的匿名化，大大降低了微数据的发布成本，可以更及时地发布信息。

3.2.2设计出来的微数据发布隐私保护匿名化平台以简单的图形界面呈现，并且会对输入的数据标准化，便于工作人员操作，采用友好的交互界面，简洁明了，不需要对算法非常了解也可以使用。

3.2.3本人擅长于计算机程序设计，能熟练运用Visual C++、Netbeans、Eclipse等编程软件，并且已经收集了较多关于匿名化技术的信息，对这方面有一定的了解。

综上所述，该系统具有很高的开发可行性，无论是从技术上、经济上还是操作上，都是可行的。

4参考文献

[1] Samarati P, Sweeney L. Generalizing data to provide anonymity when disclosing information (abstract)[A]. Proc of the 17th ACM-SIGMOD-SIGACT-SIGART Symposium on the Principles of Database Systems[C]. Seattle, WA, USA: IEEE press, 1998: 188

[2] Machanavajjhala A, Gehrke J, Kifer D. L-diversity: privacy beyond k-anonymity[A]. Proc. of the 22nd International Conference on Data Engineering [C]. Atlanta, GA, USA: IEEE Press, 2006: 24-36

[3] Wong C R W, Li Jiuyong, Fu A W C, et al. (α, k)-anonymity: an enhanced k-anonymity model for privacy preserving data publishing[A]. Proc. of the 12th ACM SIGKDD Conference[C]. Philadelphia, PA: ACM Press 2006: 754-759

[4] Li Ninghui, Li Tiancheng, Venkatasubramanian S. t-Closeness: privacy beyond k-anonymity and l-diversity[A]. Proc of the 23rd ICDE[C]. 2007

[5] Xiao Xiaokui, Tao Yufei. Anatomy: Simple and effective privacy preservation. Proc. of the 32nd International Conference on Very Large Data Bases. 2006:139-150.

[6] Wong C R W, Lu Y B, Yin J, Huang Z L, Fu A W C, and Pei J. (α,k)-Anonymity based Privacy Preservation by lossy join. The 8th International Conference on Web-Age Information Management, Huangshan (Yellow Mountains), China on June 16-18 2007

[7] 杨晓春，王雅哲，王斌，于戈 . 数据发布中面向多敏感属性的隐私保护方法. 计算机学报, 2008, 31 (04): 574-587

[8] Zhang Q, Koudas N, Srivastava D, and Yu T. Aggregate query answering on anonymized tables. ICDE. 2007.116-125.

[9] Yufei Tao, Hekang Chen, Xiaokui Xiao, Shuigeng Zhou, Member, IEEE Computer Society, and Donghui Zhang. ANGEL: Enhancing the Utility of Generalization for Privacy Preserving Publication. IEEE Transaction on Knowledge and Data Engineering.2009, Vol 21.No.7.pp.1073-1087.

[10] 刘英华 . 一种基于有损连接的个性化隐私保护方法. 计算机科学, 2013, 6 (40): 349-383