,

(西北師范大學(xué) 計(jì)算機(jī)科學(xué)與工程學(xué)院,蘭州 730070)

0 概述

在信息發(fā)達(dá)的當(dāng)代,人類大量個(gè)人信息被政府部門、商業(yè)機(jī)構(gòu)等存儲(chǔ)、發(fā)布,這極大地激發(fā)了各部門從海量數(shù)據(jù)中挖掘有用信息的需求[1]。數(shù)據(jù)挖掘在用于公開分析大量的私人信息時(shí),如在醫(yī)療記錄、人口普查中,若公開某位病人的患病情況,或者公開個(gè)人的婚姻狀況等這些敏感信息,將會(huì)對(duì)個(gè)人隱私構(gòu)成威脅。因此,個(gè)體隱私信息的安全性問題在數(shù)據(jù)挖掘的研究中顯得尤為重要。個(gè)體隱私信息的保護(hù)技術(shù)主要分為3類[2]:數(shù)據(jù)加密,數(shù)據(jù)失真,數(shù)據(jù)匿名化。其中,數(shù)據(jù)加密的安全性最高,對(duì)信息的有用性破壞較大,數(shù)據(jù)失真在給數(shù)據(jù)添加噪聲的同時(shí)仍需保持?jǐn)?shù)據(jù)基本性質(zhì)不變,降低了可用信息的數(shù)量,因此,通常采用數(shù)據(jù)匿名技術(shù)實(shí)現(xiàn)隱私保護(hù),既保證數(shù)據(jù)的有用性,同時(shí)又能兼顧數(shù)據(jù)的隱私性。

文獻(xiàn)[3]建立了k匿名模型,要求發(fā)布數(shù)據(jù)中的每個(gè)元組至少有(k-1)個(gè)與其相同的元組。k匿名模型能有效地解決標(biāo)志泄露問題,但對(duì)于敏感屬性泄露問題并沒有相應(yīng)的保護(hù)機(jī)制[4],無法達(dá)到保護(hù)隱私的目的。之后文獻(xiàn)[5-6]建立了p-sensitive k匿名模型,要求在滿足k匿名的同時(shí),在每個(gè)等價(jià)類中敏感屬性至少有p個(gè)不同的值,這對(duì)敏感屬性起到一定的保護(hù)作用。

然而在日常生活中,相同的敏感屬性針對(duì)不同的個(gè)體敏感程度也不盡相同,需要針對(duì)個(gè)體的差異對(duì)敏感屬性實(shí)施個(gè)性化保護(hù)[7]。文獻(xiàn)[8]提出自頂向下個(gè)性化泛化回溯,動(dòng)態(tài)構(gòu)建泛化樹,有效抵制了同質(zhì)攻擊和背景知識(shí)攻擊。文獻(xiàn)[9-10]皆是提出一種基于k匿名的個(gè)性化匿名算法,其中文獻(xiàn)[9]算法增加匿名群記憶模塊,以此加快匿名的速度,文獻(xiàn)[10]根據(jù)個(gè)人隱私自治原則提出基于局部編碼和敏感屬性泛化的個(gè)性化k匿名算法。文獻(xiàn)[11]建立基于(α,k)個(gè)性化匿名模型,通過設(shè)置等價(jià)類中敏感值出現(xiàn)的頻率來實(shí)現(xiàn)個(gè)性化保護(hù)。由此可見,針對(duì)個(gè)體差異的個(gè)性化保護(hù)越來越受到關(guān)注和重視。通常敏感屬性的保護(hù)方式分為2種:一種是對(duì)不同的敏感屬性設(shè)置不同的閾值,敏感程度較高的閾值較小;另一種保護(hù)方式是對(duì)敏感屬性泛化,用精度較低的敏感屬性值取代原值。文獻(xiàn)[12-13]運(yùn)用前者提出敏感屬性劃分泛化的策略,對(duì)不同的敏感屬性設(shè)置不同的級(jí)別。之后,文獻(xiàn)[14-15]提出基于L多樣性的個(gè)性化匿名模型,同樣提到設(shè)置參數(shù)?實(shí)現(xiàn)分級(jí)別保護(hù)。文獻(xiàn)[16]方法在p-sensitive k匿名模型的基礎(chǔ)下為敏感屬性設(shè)置不同的閾值,實(shí)現(xiàn)個(gè)性化保護(hù)。

本文基于p-sensitive k匿名模型提出針對(duì)敏感屬性的個(gè)性化隱私保護(hù)算法,通過建立敏感屬性泛化樹,根據(jù)個(gè)體間敏感程度的差異將敏感屬性泛化到不同的層次,降低敏感屬性的精度后再發(fā)布數(shù)據(jù),以達(dá)到對(duì)敏感屬性進(jìn)行個(gè)性化隱私保護(hù)的目的。

1 相關(guān)概念

1.1 表屬性劃分

可將數(shù)據(jù)表的屬性劃分為3個(gè)部分:標(biāo)識(shí)符屬性A,準(zhǔn)標(biāo)識(shí)符屬性QI和敏感屬性S,其中:標(biāo)識(shí)符屬性是能唯一確定某個(gè)個(gè)體的屬性,如身份證號(hào);準(zhǔn)標(biāo)識(shí)符屬性是指通過其與外部數(shù)據(jù)表某些屬性進(jìn)行鏈接以標(biāo)識(shí)個(gè)體身份的屬性,例如性別、年齡、郵編等;敏感屬性是指包含個(gè)體隱私信息的屬性,例如疾病、婚姻狀況等。

表1為某醫(yī)院電子病歷,其中:“Name”為標(biāo)識(shí)符屬性,對(duì)表操作時(shí)應(yīng)隱匿標(biāo)識(shí)符屬性避免嚴(yán)重的身份泄露[17];“Sex”“Age”“Zip code”是準(zhǔn)標(biāo)識(shí)符屬性,對(duì)這些屬性通過泛化可以得到匿名表;“Health condition”為敏感屬性。

表1 原始數(shù)據(jù)

1.2 k匿名模型

k匿名算法[3]要求發(fā)布數(shù)據(jù)中每個(gè)等價(jià)類至少有k個(gè)不可區(qū)分的個(gè)體,使攻擊者判別出所要攻擊對(duì)象的概率為1/k,從而保護(hù)了個(gè)體隱私信息。k匿名算法可以有效防止鏈接攻擊,但不能防止同質(zhì)性攻擊。

定義1(等價(jià)類) 對(duì)于數(shù)據(jù)表T{A1,A2,…,An}(n為屬性的個(gè)數(shù)),一個(gè)等價(jià)類是指在子集{A1,A2,…,Aj}(j為子集屬性的個(gè)數(shù))上取值相同的元組的集合[17]。

定義2(k匿名) 給定數(shù)據(jù)表T{A1,A2,…,An},QI是T的準(zhǔn)標(biāo)識(shí)符,T[QI]為T在QI上的投影(元組可重復(fù)),當(dāng)且僅當(dāng)在T[QI]中出現(xiàn)的每組值至少要在T[QI]中出現(xiàn)k次,則T滿足k匿名,記為T’[18]。

由此可知,一個(gè)數(shù)據(jù)表滿足k匿名,當(dāng)且僅當(dāng)在準(zhǔn)標(biāo)識(shí)符上的任意一個(gè)等價(jià)類的大小至少為k。

表2為k=2時(shí)的匿名發(fā)布表,將表1中標(biāo)識(shí)標(biāo)識(shí)符屬性姓名隱匿,避免個(gè)人身份泄露,對(duì)準(zhǔn)標(biāo)識(shí)符“Sex”“Age”“Zip code”通過泛化操作輸出精度較低的值,令“Health condition”為敏感屬性。

表2 2匿名數(shù)據(jù)

若攻擊者事先已知Alice的年齡、郵編以及性別可推斷出Alice在匿名表的第2個(gè)等價(jià)類中,攻擊者可以確定Alice一定患有HIV,泄露了個(gè)人隱私。為解決該問題,使用p-sensitive k匿名算法,在該算法中要求每個(gè)等價(jià)類中至少有p個(gè)不同的敏感屬性。

1.3 p-senstitive k匿名模型

定義3((p,k)匿名) 給定數(shù)據(jù)集T’滿足k匿名,對(duì)于每個(gè)等價(jià)類中至少有p個(gè)不相同的敏感屬性值且p≤k[16]。

運(yùn)用(p,k)匿名算法(p=2,k=3)得到表3。其中,類標(biāo)號(hào)相同的元組屬于一個(gè)等價(jià)類,由此可知,前4條元組是一個(gè)等價(jià)類,第5條～第7條元組是一個(gè)等價(jià)類,第8條～第10條元組是一個(gè)等價(jià)類。在3個(gè)等價(jià)類中,任意一個(gè)等價(jià)類中的敏感屬性取值至少為p=2。

表3 (3,3)匿名數(shù)據(jù)

2 個(gè)性化p-sensitive k匿名相關(guān)定義

k匿名模型能有效防止鏈接攻擊,但不能解決敏感屬性的保護(hù)問題,p-sensitive k匿名要求在每個(gè)等價(jià)類中至少有p個(gè)不相同的敏感屬性值,雖在一定程度上保護(hù)了敏感屬性,但是未考慮敏感屬性的敏感程度問題。表2中敏感屬性取值為HIV,與Cancer與Flu相比,前兩者更不想被他人知道,因此,對(duì)敏感屬性個(gè)性化保護(hù)顯得尤為重要,本文給出敏感屬性泛化樹的概念,實(shí)現(xiàn)對(duì)敏感屬性的個(gè)性化保護(hù)。

2.1 敏感屬性的敏感級(jí)別

本文提出用戶評(píng)分機(jī)制劃分敏感屬性,保證敏感屬性的劃分更貼合實(shí)際個(gè)體的敏感信息,針對(duì)個(gè)體敏感信息的敏感程度實(shí)施分級(jí)保護(hù)。

定義4(敏感度評(píng)分) 設(shè)滿分為Y,化為若干個(gè)分?jǐn)?shù)區(qū)間Y{Y1,Y2,…,Yn},數(shù)據(jù)集為T,敏感屬性集為S{S1,S2,…,Si,…,Sn},敏感屬性取值個(gè)數(shù)為n。用戶針對(duì)個(gè)人對(duì)敏感屬性的敏感程度評(píng)分,分?jǐn)?shù)較低的敏感屬性,敏感度也較低。將評(píng)分對(duì)應(yīng)于相應(yīng)的分?jǐn)?shù)區(qū)間Yi(1≤i≤n)中并用yi標(biāo)記敏感屬性的分?jǐn)?shù)。

圖1為某醫(yī)院用戶調(diào)查結(jié)果,橫坐標(biāo)為敏感屬性疾病S的取值,分別用1～6表示Flu、Pneumonia、Fracture、Asthma、HIV、Cancer?？v坐標(biāo)表示用戶評(píng)分,評(píng)分系統(tǒng)滿分為90分,劃分為3個(gè)區(qū)間:[0,30]表示低敏感度;[30,60]表示中等敏感度;[60,90]表示高敏感度。根據(jù)用戶評(píng)分情況,去除離群點(diǎn),將6個(gè)敏感屬性對(duì)應(yīng)至相應(yīng)的分?jǐn)?shù)空間。

圖1 敏感屬性評(píng)分結(jié)果

根據(jù)圖1的結(jié)果滿分90分,根據(jù)用戶評(píng)分結(jié)果將疾病敏感屬性的敏感程度劃分為3級(jí),去掉個(gè)別離群點(diǎn)最終得到如表4所示的敏感屬性登記表。

表4 用戶評(píng)定敏感屬性泛化數(shù)據(jù)表

2.2 敏感屬性泛化樹

根據(jù)用戶評(píng)分將敏感屬性劃分為不同泛化,泛化較高的敏感屬性,敏感信息具有較高隱私度,需要保護(hù)的程度也較高。構(gòu)建一棵泛化樹Q,Q的高度至少為敏感等級(jí)的個(gè)數(shù),將敏感屬性的所有取值存放在樹的葉子結(jié)點(diǎn)中,按照敏感屬性的敏感程度對(duì)敏感屬性向上泛化。其中,規(guī)定最低敏感泛化的敏感屬性不進(jìn)行泛化,直接發(fā)布數(shù)據(jù);其他敏感泛化的敏感屬性按照其敏感度依次向上泛化,找到敏感屬性的祖先結(jié)點(diǎn),用祖先結(jié)點(diǎn)的值代替敏感屬性值發(fā)布。如圖2所示,敏感屬性為疾病,取值為{感冒,哮喘,肺炎,骨折,燒傷}。若用戶認(rèn)為哮喘為中級(jí)敏感度,對(duì)敏感屬性進(jìn)行泛化,找到哮喘的父節(jié)點(diǎn)呼吸內(nèi)科發(fā)布數(shù)據(jù);若用戶認(rèn)為肺炎具有最高敏感度,發(fā)布數(shù)據(jù)時(shí)用根節(jié)點(diǎn)疾病代替肺炎。

圖2 敏感泛化樹

2.3 精度度量

本文參考文獻(xiàn)[19]的層次泛化的精度測量以及泛化區(qū)間的區(qū)間精度測量,無論是準(zhǔn)標(biāo)識(shí)符還是敏感屬性通過泛化操作來實(shí)現(xiàn)匿名,必然存在信息損失,因此,給出以下相關(guān)定義。

定義5(分類型屬性精度測量) 設(shè)任意不同類型的屬性泛化有相同的信息損失量,若泛化樹T所有的葉子節(jié)點(diǎn)記為M,某一個(gè)節(jié)點(diǎn)P所有的子樹的個(gè)數(shù)記為MP,則某一屬性泛化的信息損失量為:

(MP-1)/(M-1)

(1)

如圖2所示,共有葉子節(jié)點(diǎn)5個(gè),則M=5,由感冒泛化至呼吸內(nèi)科,呼吸內(nèi)科所有的子樹個(gè)數(shù)為3,即MP=3,因此,由感冒泛化至呼吸內(nèi)科的信息損失量為1/2。

定義6(數(shù)值型屬性精度測量) 若某一數(shù)值被泛化至某一區(qū)間i中,則將這個(gè)區(qū)間的左端點(diǎn)標(biāo)記為Li,右端點(diǎn)標(biāo)記為Ui;該數(shù)值屬性的所有區(qū)間中,最小左端點(diǎn)標(biāo)記為L,最大右端點(diǎn)標(biāo)記為U,則某一屬性泛化至某一區(qū)間的信息損失量為:

(Ui-Li)/(U-L)

(2)

例如,屬性年齡共分為3個(gè)區(qū)間,分別為[0,30]、[30,60]、[60,90],若某條記錄的年齡屬性為35,則泛化至第1個(gè)區(qū)間,由此可知:L2=30,U2=60,U=90,L=0,則該記錄年齡屬性泛化后信息損失為1/3。

3 個(gè)性化p-sensitive k匿名模型

個(gè)性化p-sensitive k匿名算法是針對(duì)敏感屬性,在原有的p-sensitive k匿名的基礎(chǔ)上,對(duì)敏感屬性增加個(gè)性化保護(hù)的算法。首先用戶針對(duì)個(gè)人的敏感屬性對(duì)敏感度評(píng)分,用散列圖表示所有用戶評(píng)分結(jié)果,刪除個(gè)別離群點(diǎn),得到較可靠的敏感屬性泛化劃分結(jié)果。再根據(jù)敏感屬性的泛化度構(gòu)建對(duì)應(yīng)的敏感屬性泛化樹。敏感度較高的屬性值泛化的高度也較高,規(guī)定最低敏感度的敏感屬性不進(jìn)行泛化,直接發(fā)布數(shù)據(jù)。算法具體描述如下:

輸入用戶評(píng)分區(qū)間Y,待發(fā)布的(p,k)數(shù)據(jù)集T

輸出個(gè)性化敏感屬性匿名集T’

1.users choose merit internal

2.for data table T

3.use (p,k)anonymity

4.getT’;

5.Built a sensitive hierarchy tree A

6.for i to k{

7.If Si∈lowest sensitive degree

8.PublishT’;

9.Else Si∈other sensitive degree

10.According toA find ancestor node of Si

11.Then use ancestor node replace Si}

12.Publish T’

算法的第1步用戶選擇敏感屬性的評(píng)分區(qū)間確定敏感屬性的敏感泛化,第2步～第4步利用(p,k)匿名算法對(duì)數(shù)據(jù)集T匿名后,第5步～第11步利用敏感屬性泛化樹泛化每個(gè)等價(jià)類中的敏感屬性,實(shí)現(xiàn)敏感屬性個(gè)性化保護(hù);最后發(fā)布匿名表T’,若泛化敏感屬性后不滿足(p,k)匿名要求,則重新劃分等價(jià)類再泛化敏感屬性發(fā)布。

4 實(shí)驗(yàn)結(jié)果與分析

實(shí)驗(yàn)環(huán)境:Intel Pentium 2.00 GHz CPU,2.0 GB RAM,Windows 7 旗艦版操作系統(tǒng),MATLAB 7.1。編程語言為Java和MATLAB混合編程。實(shí)驗(yàn)所選用的數(shù)據(jù)集是Adult標(biāo)準(zhǔn)數(shù)據(jù)集,此數(shù)據(jù)集共有48 842條數(shù)據(jù)其中包括部分美國人口普查數(shù)據(jù),去除空值后的數(shù)據(jù)有45 220條可用數(shù)據(jù)。本文選取Age、Salary、Education、Relationship、Education-num、Race、Native-country、Workclass作為準(zhǔn)標(biāo)識(shí)符,選取Marital-status作為敏感屬性,取值分別為{Never-married,Married-CIV-spouse,Divorced,Married-spouse-absent,Separated,Widowed,Married-AF-spouse}。實(shí)驗(yàn)數(shù)據(jù)分組如表5所示,具體描述如表6所示。重復(fù)進(jìn)行實(shí)驗(yàn)10次,取相應(yīng)實(shí)驗(yàn)結(jié)果的平均值作為對(duì)比分析數(shù)據(jù)。

表5 實(shí)驗(yàn)數(shù)據(jù)分組

表6 Adult 數(shù)據(jù)集描述

實(shí)驗(yàn)使用以下模型進(jìn)行比較:

1)k匿名模型:通過泛化構(gòu)造匿名表,敏感屬性不做處理;

2)個(gè)性化(α,k)匿名模型:通過設(shè)置閾值α實(shí)現(xiàn)對(duì)敏感屬性的個(gè)性化匿名保護(hù);

3)個(gè)性化(p,k)匿名模型:利用敏感屬性泛化樹實(shí)現(xiàn)對(duì)敏感屬性的個(gè)性化匿名保護(hù)。

實(shí)驗(yàn)從執(zhí)行時(shí)間和信息損失2個(gè)角度分析個(gè)性化(p,k)匿名模型、k匿名和個(gè)性化(α,k)匿名模型的性能。

4.1 執(zhí)行時(shí)間分析

圖3為準(zhǔn)標(biāo)識(shí)符個(gè)數(shù)為8個(gè),數(shù)據(jù)集的大小為45 220,k分別取2、4、6和8時(shí)3種匿名模型的執(zhí)行時(shí)間比較。由圖3可知:3種模型都隨著k值的增長,執(zhí)行時(shí)間逐漸增大,由于個(gè)性化(α,k)匿名采用自底向上的聚類策略,當(dāng)k逐漸增加時(shí),聚類次數(shù)也逐漸變多,因此耗時(shí)比k匿名模型要多,而個(gè)性化(p,k)匿名算法則首先有用戶輸入評(píng)分區(qū)間,之后對(duì)敏感屬性泛化實(shí)現(xiàn)個(gè)性化匿名,因此執(zhí)行時(shí)間比較長,隨著k的增長,p越容易達(dá)到,則斜率越平緩。

圖3 執(zhí)行時(shí)間對(duì)比1

圖4是k取6時(shí),改變?cè)M個(gè)數(shù)實(shí)現(xiàn)3種匿名模型的執(zhí)行時(shí)間對(duì)比。由圖4可知:3種模型都隨著添加元組個(gè)數(shù)的增加執(zhí)行時(shí)間變大,因?yàn)殡S著數(shù)據(jù)增多,需要匿名的元組也增多,因此執(zhí)行時(shí)間增大。由于添加元組數(shù)增多,個(gè)性化(p,k)匿名的k、p值并不改變,因此隨著元組增多,越容易滿足p值的限制,因此與個(gè)性化(p,k)匿名有相似的執(zhí)行時(shí)間,個(gè)性化(p,k)匿名會(huì)得到更好的隱私保護(hù)效果。

圖4 執(zhí)行時(shí)間對(duì)比2

4.2 精度對(duì)比

信息損失量用式(1)、式(2)來計(jì)算,圖5為準(zhǔn)標(biāo)識(shí)符為6個(gè),元組數(shù)為45 200,k取6時(shí),3種匿名模型得到的信息損失量比較。由圖5可知:3種匿名算法的精度都會(huì)隨著準(zhǔn)標(biāo)識(shí)符個(gè)數(shù)的增加而降低。因?yàn)殡S著準(zhǔn)標(biāo)識(shí)符個(gè)數(shù)的增加,對(duì)元組匿名操作就會(huì)越復(fù)雜,損失的信息量也就越多。k匿名算法的信息損失量最少是因?yàn)樗鼉H需要對(duì)準(zhǔn)標(biāo)識(shí)符操作,不考慮敏感屬性,而個(gè)性化(α,k)匿名模型比個(gè)性化(p,k)匿名模型的信息損失量多是因?yàn)樵诳刂泼舾袑傩詡€(gè)性化時(shí)采用的方式不同。個(gè)性化(α,k)匿名模型采用設(shè)置閾值α,而個(gè)性化(p,k)匿名算法采用對(duì)敏感屬性泛化的方法,因此精度損失比個(gè)性化(α,k)匿名模型多。

圖5 信息損失量對(duì)比1

圖6是在k取不同值時(shí)的精度比較,可以看出3種模型都隨著k值的增加,精度損失增加,等價(jià)類中的元組個(gè)數(shù)增加,泛化準(zhǔn)標(biāo)識(shí)符個(gè)數(shù)增加,而個(gè)性化(p,k)匿名模型取固定的p值,在元組個(gè)數(shù)較少時(shí)曲線斜率較陡,隨著k值的增加,曲線逐漸變得平緩。

圖6 信息損失量對(duì)比2

5 結(jié)束語

本文提出一種基于(p,k)匿名模型的敏感屬性個(gè)性化匿名算法。根據(jù)多數(shù)用戶針對(duì)敏感屬性的評(píng)分結(jié)果建立敏感屬性等級(jí),將少數(shù)與大眾評(píng)分結(jié)果存在差異的用戶視為離群點(diǎn)遺棄,之后利用敏感屬性泛化樹泛化敏感屬性,對(duì)不滿足(p,k)匿名條件的元組重新劃分等價(jià)類。實(shí)驗(yàn)結(jié)果表明,通過損失部分敏感屬性的精度實(shí)現(xiàn)個(gè)性化保護(hù)的方法有效。后續(xù)工作將主要針對(duì)個(gè)性化匿名模型進(jìn)行更合理的設(shè)計(jì),并考慮將本文算法與實(shí)際問題相結(jié)合。

[1] AGGARWAL C C,YU P S.Privacy-preserving Data Mining:Models and Algorithms[J].Advances in Database Systems,2008,35:11-52.

[2] PATEL B H,SHAH A N.Overview of Privacy Preserving Techniques and Data Accuracy[J].International Journal of Advance Research in Computer Science and Management Studies,2015,3(1):135-140.

[3] LATANYA S.k-Anonymity:A Model for Protecting Privacy[J].International Journal of Uncertainty,Fuzziness and Knowledge-based Systems,2002,10(5):557-570.

[4] JOSHI P,WADE S A,WADKAR C G,et al.The k-Anonymity Approach for Privacy Preservation Against Aggregate Knowledge Attacks[J].The International Journal of Science and Technoledge,2015,3(1):50.

[5] TRUTA T M,VINAY B.Privacy Protection:p-Sensitive k-Anonymity Property[C]//Proceedings of the 22nd International Conference on Data Engineering Workshops.Washington D.C.,USA:IEEE Press,2006:94.

[6] YUAN Yongbin,YANG Jing,LAN Sheng,et al.p-Sensitive k-Anonymity Based on Nearest Neighborhood Search in Privacy Presering[J].Journal of Information and Computational Science,2012,9(5):1385-1393.

[7] 康海燕,楊孔雨,陳建明.基于K-匿名的個(gè)性化隱私保護(hù)方法研究[J].山東大學(xué)學(xué)報(bào)(理學(xué)版),2014,49(9):142-149.

[8] 戢渼鈞.關(guān)于個(gè)性化信息服務(wù)的隱私保護(hù)[J].圖書情報(bào)工作,2006,50(2):49-51.

[9] 何 康,吳 蒙.一種個(gè)性化的k-匿名位置隱私保護(hù)算法[J].南京郵電大學(xué)學(xué)報(bào)(自然科學(xué)版),2012,32(6):69-73.

[10] 劉 明,葉曉俊.個(gè)性化K-匿名模型[J].計(jì)算機(jī)工程與設(shè)計(jì),2008,29(2):282-286.

[11] 韓建民,于 娟,虞慧群,等.面向敏感值的個(gè)性化隱私保護(hù)[J].電子學(xué)報(bào),2010,38(7):1723-1728.

[12] LIU Yinghua,YANG Bingru,LI Guangyuan.A Personalized Privacy Preserving Parallel (alpha,k)-anonymity Model[J].International Journal of Advancements in Computing Technology,2012,4(5):265-271.

[13] HUANG Xuezhen,LIU Jiqiang,HAN Zhen,et al.Privacy Beyond Sensitive Values[J].Science China Information Sciences,2015,58(7):1-15.

[14] 王 波,楊 靜.一種基于逆聚類的個(gè)性化隱私匿名方法[J].電子學(xué)報(bào),2012,40(5):883-890.

[15] 傅鶴崗,曾 凱.多維敏感k-匿名隱私保護(hù)模型[J].計(jì)算機(jī)工程,2012,38(3):145-147.

[16] 王 茜,曾子平.(p,a)-sensitive k-匿名隱私保護(hù)模型[J].計(jì)算機(jī)應(yīng)用研究,2009,26(6):2177-2179.

[17] TONG Yunhai,TAO Youdong,TANG Shiwei,et al.Identity-reserved Anonymity in Privacy Preserving Data Publishing[J].Journal of Software,2010,21(4):771-781.

[18] 夏贊珠,韓建民,于 娟,等.用于實(shí)現(xiàn)(k,e)-匿名模型的MDAV算法[J].計(jì)算機(jī)工程,2010,36(15):159-161.

[19] IYENGAR V S.Transforming Data to Satisfy Privacy Constraints[C]//Proceedings of the 8th ACM SIGKDD International Conference on Knowledge Discovery.New York,USA:ACM Press,2002:279-288.