云环境下保护隐私的最短距离计算方法研究

基于同态加密算法提出了一种保护边权值信息隐私安全的节点间最短距离计算方法.该方法对边的权值信息进行加密,然后将加密后的数据外包到云平台中.利用广度优先原理,云服务器能够直接针对加密的图状数据从初始节点向外扩展,迭代地计算初始节点到其他节点的最短距离,从而计算出任意两节点之间的最短距离.最短距离计算由客户端和云服务器端交互合作完成,主要的计算由服务器端完成,客户端只进行简单的解密和判断操作.本方法能够使得低计算能力客户端也可以使用云计算执行计算密集型的最短距离计算任务,并保证边权值、计算的中间结果以及最终结果等隐私信息不会被泄露.理论分析和模拟实验证明了本方法的安全性和正确性.     

数据隐私保护技术综述

随着电子商务,电子政务等各种网络应用的不断发展,数据挖掘中的隐私保护问题近年来引起人们的广泛关注,并成为一个急待解决的问题。本文介绍了当前数据挖掘隐私保护技术的发展现状,着重介绍了几种关键隐私保护技术的特点。在此基础上对隐私保护技术进行了综合对比与分析,提出了隐私保护技术未来的研究方向。     

数据挖掘中的隐私保护策略

本文首先分析了由于数据挖掘技术的出现而引发的隐私问题,接着在讨论传统的隐私保护方法的基础上给出了保护隐私的新策略,最后对进一步的研究工作提出了展望。     

网格环境下的隐私保护计算研究

提出了一种适用于网格环境下的隐私保护计算模型.针对当前网格安全研究中对数据隐私性保护的不足,将GSI(网格安全基础件)与同态加密技术、安全点积协议以及数据扰乱算法等多种安全技术相结合,实现在一个互不信任的网格环境中,对各参与节点隐私性数据进行保护,成功避免了传统的隐私保护计算中繁琐的一对多(多对多)的交互式加密,当节点动态变化时,恢复计算仅涉及到构成隐私保护模块的三个节点.安全及动态性分析结果表明:该模型及相关应用算法既提供了数据的隐私性保护,又能良好地适应节点数目众多和动态变化频繁的网格环境.同时给出了基于G2PC模型的具体隐私保护算法--网格环境下的隐私保护方差计算.     

一种高效的保护隐私的轨迹相似度计算框架

提出了一种高效的保护隐私的轨迹相似度计算框架.基于安全的同态加密系统和Yao协议,该框架能够确保持有轨迹的两方不能得到除了轨迹相似度以外的其他任何信息,从而同时保护了两方的轨迹数据隐私.该框架针对轨迹相似度计算过程中的不同步骤具有不同的计算特点,交替使用同态加密系统和Yao协议,从而有效地提高了性能.实验结果表明本框架与已有的方法相比显著减少了计算开销.     

一种新型的分布式隐私保护计算模型及其应用

针对分布式数据共享及计算中的隐私保护问题,提出了一种适用于大规模分布式环境的隐私保护计算模型（PPCMLS）,该模型的核心为隐私安全模块,其将计算划分为本地计算和全局计算.通过综合运用同态加密、安全点积协议、数据随机扰乱算法等多种安全技术,在实现了多个节点在一个互不信任的分布式环境下合作计算的同时,任何节点无法获取其他节点的隐私信息及敏感中间计算结果.据此,又给出了基于该模型的分布式隐私保护方差计算、分布式隐私保护数据聚类算法.安全及动态性分析结果表明,该模型及其应用算法既可保证隐私数据的安全性,又避免了繁琐的一对多的交互加密过程,并在节点变化时,恢复计算仅涉及到变化的节点和构成隐私安全模块的3个节点,从而满足了大规模分布式环境所要求的高效性和良好的动态适应性.     

属性加密算法用于网络健康数据隐私保护

互联网的开放性和互通性使用户的个人资料和健康数据面临着被盗取、偷窥或滥用的风险,所以对于健康数据的隐私保护亟待加强.采用属性加密算法对用户存储上传的数据进行加密,用户可以方便地记录日常运动、健康和饮食数据.在实现互联网模式医疗健康服务的同时,有效保护了用户的隐私.     

属性加密算法用于网络健康数据隐私保护

互联网的开放性和互通性使用户的个人资料和健康数据面临着被盗取、偷窥或滥用的风险,所以对于健康数据的隐私保护亟待加强。采用属性加密算法对用户存储上传的数据进行加密,用户可以方便地记录日常运动、健康和饮食数据。在实现互联网模式医疗健康服务的同时,有效保护了用户的隐私。     

云环境下用户隐私混合加密方案及其性能分析

针对云环境下用户隐私数据的安全性和数据应用操作效率要求相矛盾的问题,提出了一种基于同态加密和基于属于加密的混合方案,实现对云用户隐私信息进行分类加密保护.方案中将用户数据分为绝对保密的数据和可信用户合理访问的数据2类,其中对绝对保密的数据采用同态加密算法;对可被部分授权用户访问的数据制定相应的访问控制树,并采用基于属于的加密算法.设计了云环境下混合加密方案,分为客户端和服务端,并将混合加密方案与基于属性的加密方法从加解密时间和存储开销进行了比较,可以看出混合加密方案具有很好的应用前景.     

基于隐私保护的数据挖掘技术与研究

近年来,信息技术发展迅速,且被广泛应用到信息、通讯、工业生产、企业营销等社会生产、生活的各个领域。作为信息技术的重要组成部分,数据挖掘技术不仅关系着人们对各类信息数据的收集和利用情况,而且对于信息技术的整体发展也具有重要的影响。为了使信息技术下人们的隐私得到更好的保护,该文从数据挖掘技术的角度出发,通过对数据挖掘技术的相关概念进行分析,在结合其在隐私保护方面技术分类的基础上,对基于隐私保护的数据关联规则挖掘展开了深入研究。     

较小存储空间下物联网隐私保护加密算法研究

当前物联网隐私保护加密算法所需存储空间较大,且计算复杂度高,不适于物联网用户众多、计算量大且存储空间较小的情况。为此,提出一种新的较小存储空间下物联网隐私保护加密算法,在对物联网中数据库关系进行分解的过程中,选用动态加密技术动态地产生密钥,使其适于较小存储空间环境。依据多辅助随机服务器和单数据库的思想对较小存储空间下物联网进行隐私保护,通过动态变换加密技术对数据进行加密后,利用预处理与在线查询两个阶段实现物联网用户信息的隐私保护。实验结果表明,采用所提算法进行物联网隐私保护加密,功能性和安全性较强,所需时间短,且能够保证加密隐私信息的完整性。     

集中式环境下面向隐私保护的数据挖掘技术的方法研究

面向隐私保护数据的挖掘技术(PPDM)作为数据挖掘(DM)的一个新的分支,其研究变得越来越重要。本文首先对该发放的实现过程进行分析,并对几种集中式环境下的典型方法进行阐述,最后指出目前的研究难点以及未来的研究方向。     

基于加密技术的感知结果可验证隐私保护群智感知方案

针对群智感知过程中对于任务服务器和工作者的隐私泄露问题,以及感知反馈结果验证过程中的隐私保护问题,借助于边缘节点和加密技术,基于代理重加密和同态加密算法,提出了一种感知结果可验证的隐私保护群智感知方案.该方案通过两轮对感知结果的加密传递,完成对感知结果的隐私保护传送和结果校验.其次,对所提出的方案的处理过程进行详细描述,并分析了这一方案对任务服务器和工作者的隐私保护情况。最后,通过实验验证比较,进一步证明所提出方案的优越性.     

支持隐私保护的社交网络信息推荐方法

针对社交网络信息推荐中的信息传播带来隐私泄露的问题,结合信息传播模型,提出了一种支持隐私保护的社交网络信息推荐方法,通过好友的兴趣度、熟悉度和兴趣相似度推测用户兴趣,进行文本匹配和推荐候选集排序;通过个性化隐私偏好设置允许用户设置受限访问用户列表,并使用隐私保护方法计算信息传播至黑名单用户的概率,设置隐私泄露阈值对黑名单用户访问隐私博文的概率进行控制,达到信息推荐中保护用户隐私的目的。实验结果表明,所提方法可以在保证推荐效果的同时更好地保护用户隐私。     

面向轨迹聚类的差分隐私保护方法

针对目前的轨迹聚类隐私保护方法仍然存在适用性较窄、可用性较低以及难以在实际应用中实施的问题,提出了支持轨迹聚类的差分隐私保护方法,首先给出了典型轨迹聚类算法的通用框架模型及其差分隐私定义,然后根据定义设计满足差分隐私机制的二维拉普拉斯噪声,最后将直角坐标系中得到的噪声形式变换到极坐标系,并加入到原始轨迹点中以进行实际应用实现.实验结果表明,本文算法具有更好适用性,与当前的轨迹聚类隐私保护方法相比,在相同保护强度下,本文算法具有更好的聚类效果.     

基于零知识证明的区块链隐私保护算法

为了更好地解决在区块链中完成交易时所存在的隐私问题,在Paillier加密算法的基础上,提出了一种既能够对交易数据加密又能够支持零知识证明的区块链隐私保护算法.首先在应用端生成交易后的密文和零知识证明过程中所需要的证据,然后在智能合约端利用证据对交易结果进行合法性校验.基于联盟链中的Fabric平台,分别使用32和64 bit的交易数据对其进行测试,结果表明:所提算法不仅可以保护用户在区块链中完成交易时的隐私,而且具有较高的运行效率.     

网络实名制下的隐私侵权初探

网络实名制的推行使得以个人信息为主要内容的隐私权更容易受到各种方式的侵害,本文从不同网络参与者的角度入手,分别探讨了网络实名制下网络用户、网络服务商以及网络设备供应商可能存在的相关隐私侵权方式。     

数据挖掘中的隐私保护技术研究

如何保护私有信息或敏感知识在数据挖掘中不被泄露,同时又能较为准确的得到数据挖掘的结果,PPDM(privacy preservingdatamining)已经成为数据挖掘和信息安全领域一个很有意义的研究热点。本文对隐私保护领域已有研究成果进行了总结,对各类隐私保护技术的基本原理、特点进行了阐述,并且在对已有技术深入对比分析基础上,指出了隐私保护技术的未来发展方向。     

大数据背景下的隐私保护问题研究

大数据的分析挖掘技术实现了散乱数据的潜在价值,也让人们的个人隐私面临威胁。大数据背景下的个人隐私分散隐匿于海量数据中,各数据间相互关联。数据化的个人隐私具有商业价值,促进了个人数据的挖掘。数据主体隐私保护意识欠缺,除了被动的隐私泄露,还有"数据化表演"的自我隐私披露。大数据背景下,个人隐私保护首先要明确立法,划分权责,加强对大数据产业运营的监管;其次,建立信息生态系统,模拟自然界的规律,为大数据的有序开发共享制定法则;同时还要提高用户对个人数据自我披露后果的预见性,有意识地防范个人隐私泄露。