大数据处理和分析中的隐私保护研究综述

大数据的处理和分析可以获取数据中蕴含的巨大价值,具有重要的理论和实际意义。然而,大数据中的敏感信息可能在数据的处理和分析过程中遭到暴露,给用户带来风险和危害。如何在保证隐私的情况下,仍然能对大数据进行处理和分析面临重大挑战。近年来,已有不少面向数据发布和分析过程中的隐私保护,尤其是差分隐私保护展开了大量研究。在大数据时代,有必要对现有隐私保护工作进行整理总结。首先梳理了隐私保护的不同手段和模型的演变;然后介绍了差分隐私的定义及其主要特性;接下来,重点阐述了数据发布和数据分析中基于差分隐私的保护研究的现状;最后,总结了进一步研究的挑战和未来的研究前景,明确了大数据场景下隐私保护的研究方向。     

人体大数据隐私保护实验平台设计

归纳了现阶段人体传感器网络大数据隐私保护面临的挑战与不足,并通过开展面向人体传感器网络大数据关键技术研究来建立适用于人体传感器网络特殊需求的大数据系统架构,提高系统安全性和隐私性,同时详细介绍了人体大数据实验平台的构成和原理,描述了系统框架的设置和隐私保护方法。实验表明:该平台能够有效保护人体大数据安全隐私,具有较好的教学与科研价值。     

大数据环境下的用户隐私保护及其对策研究

简要介绍了大数据的研究背景和保护用户隐私的意义，分析了大数据环境下的信息安全、用户隐私保护存在的问题及数据安全风险，指出了用户数据保护溯源机制在数据安全存储中的作用，从技术和管理角度提出了保护用户数据隐私的对策。     

基于二分关联图的大数据隐私保护方法

针对目前大数据缺乏群组隐私保护的问题，提出一种基于二分关联图的大数据群组隐私保护方法，在不同群组隐私层级的二分关联图中保护数据隐私。所提算法通过关联图分层(association graph layering, AGL)和层级群组差分隐私(hierarchical group differential privacy, HGDP)，实现发布大数据的群组隐私保护。关联图分层将给定关联图的节点和边分组，通过划分二分关联图的节点最小化每个层级的敏感度，可以向不同权限的用户公开不同层级的子图；在层级群组差分隐私过程中，对不同层级选择灵敏度并计算方差，重复聚合噪声减少方差，通过高斯机制进行子图噪声注入，实现分层关联图的扰动，以保证每个层级的群组隐私。实验结果表明，所提方法可以用来保护群组数据的综合敏感信息，并且比其他方法具有更好的隐私保护效果和更高的数据可用性。     

一种基于双线性对的云存储数据安全保护协议

针对支持公开验证的云存储模式中用户的数据隐私有可能泄露给第三方审计(TPA)的问题,为保护用户云端数据隐私和数据完整,提出一个基于双线性映射的云端数据完整性检测协议。该协议利用哈希函数单向性的性质,云存储服务器收到第三方审计的挑战请求后,对所需验证的数据块进行哈希运算处理,使第三方审计在验证阶段无法获得用户数据信息,从而保护用户的数据隐私;然后给出所提协议的正确性、数据完整性和数据隐私保护的分析;此外通过Merkel哈希树(MHT)的引入解决了数据动态更新的问题,如修改、删除、插入、追加。     

面向SVM的隐私保护方法研究进展

针对未来应用SVM进行数据挖掘所面临的信息安全问题,对隐私保护支持向量机分类规则挖掘方法进行研究,以提高支持向量机进行分类时的数据安全性,同时获得有效结果.分析了支持向量机分类方法的特点和可能面临的安全威胁;对国内外相关研究成果进行了归纳和梳理;重点从数据干扰和数据加密2个角度,给出了支持向量机隐私保护技术的最新研究进展;归纳出目前研究存在的问题和未来研究的趋势.指出了支持向量机隐私保护的研究方向:分布式环境下局部分类器融合隐私保护策略、更高效率的全同态加密方案、保护SVM分类规则的方案以及适用于大数据挖掘的隐私保护SVM技术.     

车联网环境下的隐私安全度量方法

阐释了车联网的特点、隐私特性和隐私攻击等，从身份隐私、位置隐私、数据隐私三个方面阐述了不同类型隐私在隐私保护方面的特点和需求，并梳理了针对不同隐私类型的隐私保护关键技术和方法演进；在此基础上，研究了不同类型隐私的隐私度量代表性方案、理论模型、度量难题等方面，归纳了涉及车联网环境下隐私度量的8个关键属性，并讨论了相关的32个度量指标。最后，总结了车联网隐私度量的未来研究方向及挑战。     

大数据时代关于隐私的思考

针对中美两国在大数据时代对隐私保护的现状进行了对比,从法律保护和社会保护两个角度分别进行了分析,指出在美国大数据的发展与隐私保护的冲突已经呈现出较为激烈的态势.在我国大数据发展暂时还没有威胁到社会公众的隐私意识,但及早关注大数据发展,并科学合理地设计与制定隐私与大数据权衡的法律与政策已经迫在眉睫.     

保护隐私的智能电网大数据分析挖掘技术

针对智能电网中的大数据安全和隐私保护问题,梳理了当前智能电网大数据安全与隐私保护关键技术,按照保护隐私的智能电网大数据分析挖掘技术路线,提出一种保护隐私的智能电网关联规则挖掘方案,即使用简单的加法秘密共享方案,加密和发送电表数据给可信第三方,并在安全聚合协议下汇总电表数据,使用安全多方计算关联规则的支持度和置信度。保护隐私的智能电网大数据挖掘使得电力公司在不泄露客户隐私信息的前提下,能够提高服务质量。     

基于树模型的差分隐私保护算法

目前面向分类的差分隐私保护算法中，大部分都是基于决策树或者随机森林等树模型。若数据集中同时存在连续数据和离散数据时，算法往往会选择调用2次指数机制，并且进行隐私预算分配时往往选择平均分配。这都使得隐私预算过小、噪声过大、时间成本增加以及分类准确性降低。如何在保证数据隐私的同时尽可能地保证数据可用性，并提高算法性能，成为目前差分隐私保护技术研究的重点。提出了面向决策树和随机森林的差分隐私保护数据挖掘算法，使用Laplace机制来处理离散型特征，使用指数机制处理连续型特征，选择最佳分裂特征和分裂点，并采用最优特征选择策略和等差预算分配加噪策略。对金融数据集的测试结果表明，提出的2种基于树模型的差分隐私保护算法都能在保护数据隐私的同时，具有较高的分类准确性，并且能够充分利用隐私保护预算，节省了时间成本。