典型文献
基于本地差分隐私的K-modes聚类数据隐私保护方法
文献摘要：
分类型数据聚类是数据挖掘的重要研究内容,聚类数据中通常包含用户一些敏感信息.为保护聚类数据中的用户隐私,当前主要采用基于可信第三方隐私保护模型,但现实中第三方也存在隐私泄露风险.针对此问题,该文引入本地差分隐私技术,提出一种去可信第三方的K-modes聚类数据隐私保护方法.该方法首先利用随机采样技术对数据进行采样,然后使用本地差分隐私技术对采样数据进行扰动,最后通过聚类服务端与用户的交互迭代完成聚类.在聚类过程中,无需可信第三方对数据进行隐私预处理,避免了第三方泄露用户隐私的风险.理论分析证明了该方法的隐私性和可行性,实验结果表明该方法在满足本地差分隐私机制的前提下保证了聚类结果的质量.
文献关键词：
隐私保护;本地差分隐私;数据挖掘;K-modes聚类;去可信第三方
中图分类号：
作者姓名：
张少波;原刘杰;毛新军;朱更明
作者机构：
湖南科技大学计算机科学与工程学院,湖南湘潭411201;国防科技大学复杂系统软件工程重点实验室,湖南长沙410073
文献出处：
引用格式：
[1]张少波;原刘杰;毛新军;朱更明-.基于本地差分隐私的K-modes聚类数据隐私保护方法)[J].电子学报,2022(09):2181-2188
A类：
分类型数据聚类,去可信第三方
B类：
本地差分隐私,modes,聚类数,数据隐私保护,保护方法,敏感信息,用户隐私,隐私保护模型,隐私泄露,泄露风险,随机采样,采样数据,服务端,交互迭代,隐私性,足本,隐私机制
AB值：
0.226947
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
