典型文献
基于K-means方法的MapReduce模型社交网络隐私保护研究
文献摘要：
传统隐私保护方法已逐渐无法应对多种背景下的恶意分析问题,文章研究了一种满足分布式环境下的差分隐私的算法.算法通过使用计算框架来控制主任务的迭代执行,每次分配子任务独立并行计算每个数据片中的每条记录与聚类中心的距离,标记其所属的聚类.分配子任务来计算同一簇中的记录数量和属性向量的总和,并利用机制产生的噪声干扰来实现隐私保护,从理论上证明了整个算法满足差分隐私保护.
文献关键词：
K-means;MapReduce;差分隐私;Laplace分布
中图分类号：
作者姓名：
张娱嘉;张景璐
作者机构：
智己汽车科技有限公司,上海 201210;北京电子科技职业学院,北京 100176
文献出处：
引用格式：
[1]张娱嘉;张景璐-.基于K-means方法的MapReduce模型社交网络隐私保护研究)[J].无线互联科技,2022(20):162-165
A类：
B类：
means,MapReduce,社交网络,网络隐私,保护研究,保护方法,恶意,分析问题,分布式环境,计算框架,配子,子任务,并行计算,聚类中心,一簇,属性向量,总和,利用机制,噪声干扰,上证,差分隐私保护,Laplace
AB值：
0.458599
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。
