世系与数据协同隐藏关键技术研究

Provenance and data’s cooperative concealment burdens the balance between privacy protection and data utility. The reason lies in the following aspects. 1.Cooperative concealment tightly relies on unique protection strength measurement to both concealed data provenance and data itself. There exists obvious contradiction between this kind of dependence and diversification of concealment effects. 2.Cooperative concealment oriented dynamic regulation contradicts with privacy model’s static constraints. 3.The unifying of association regulating opposes the diversity of concealment targets, which intensifies the contradiction between regulation realization and maintenance of concealment effect. 4.Cooperative concealment oriented personalized obfuscation to provenance contradicts with relatively consolidated utility of provenance workflow. In view of the above problems: 1.Protection strength measurement schema for provenance and data cooperative concealment is elaborated leveraging conditional entropy as well as mutual information, from perspective of regulating relations between privacy disclosure probability of individual provenance and data. 2.Provenance and data’s privacy models are defined from two levels of internal and external constraints, which embrace dynamic regulating and static constraint of privacy models. 3.Drawing lessons from safe region idea in moving objects querying, safe region schema is constructed for cooperative concealment of provenance and data to realize associated regulating supporting priori and feedback mappings. 4.Characteristic-grade provenance concealment strategy is proposed compromising subgraph isomorphism and differential privacy, which aims at solving the conflict of personality demonstration in cooperative concealment and generality retaining in provenance utility maintenance. Our work devotes to compensate for current research in neglecting cooperative concealment of provenance and data and its poverty at protecting privacy security in presence of data and provenance sharing.

隐私安全与隐藏对象可用性的兼顾对世系与数据协同隐藏尤为困难：1.协同隐藏依赖世系与数据隐藏强度统一度量与隐藏效果多元化存在矛盾；2.协同隐藏调控的动态性与隐私模型静态约束相抵触；3.关联调控目标的一元性与隐藏目标多元性的对立，激化了实现调控与维持隐藏效果间矛盾；4.源于协同的个性化世系隐藏与世系工作流可用性固化间存在对立。针对上述问题：1.基于调控个体世系与数据个体隐私泄露概率思想，利用条件熵与互信息构建世系与数据协同隐藏保护强度度量机制；2.构建支持内外约束的数据与世系隐私模型，实现模型静态与调控动态的兼顾；3.借鉴安全区域思想，构建世系与数据安全区域模型，实现支持先验映射与反馈映射的协同隐藏关联调控；4.提出融合子图同构与差分隐私的个性化世系隐藏策略，解决协同隐藏与维持世系可用性间彰显个性与保持共性的冲突。弥补现有研究忽视世系与数据协同隐藏，难以兼顾世系与数据共享中隐私安全的不足。

随着大数据应用的不断深化，数据共享与分析中的隐私保护问题日益凸显，世系描述数据产生和演化的机理，具有结构复杂以及与数据具有深入联系的特点，本项目研究世系与数据协同隐藏中的隐私保护问题，以期推进大数据应用中复杂场景下数据可用性和数据隐私安全的兼顾。.项目组遵照研究计划，引入泛化等级概念，提出改进的的世系隐私模型α-GLprivacy，实现数据世系隐私安全保护；结合世系工作流结构特点，引入差分隐私保护模型，兼顾工作流结构可用性和结点与边隐私安全。在世系与数据协同隐藏保护强度量化度量方面，利用解匿名方法将背景知识融入隐藏后世系，获取推断世系图，提取图中模块功能信息和子结构，将聚类结果作为世系特征，利用原始世系图中模块与推断世系图特征间的关联，引入最小熵评估世系隐私保护算法强度，支撑隐私保护方法保护强度的度量。在世系与数据协同隐藏联动调控机制研究方面，针对业务数据先于其世系工作流进行隐私保护发布场景，提出世系工作流隐私保护模型(θ,γ)-POMS，引入匿名域概念，采用决策树分类思想，构建世系工作流与业务数据集内在关联机制，提出基于(θ,γ)-POMS模型的世系工作流隐私保护发布方法，实现兼顾已发布业务数据隐私安全的隐私保护世系工作流共享发布。在支持世系与数据协同隐藏的个性化世系隐藏机制研究方面，聚焦可达查询、时序特征分析、度分布、可达性预测等典型应用，利用匿名泛化技术、差分扰动等技术，提出了基于梯度加噪、矩阵分解、生成对抗网络等技术的一系列世系数据隐私保护方法，在提供可选的匿名与差分级隐私保护强度的同时，有效维持世系工作流的各类典型数据分析可用性。最后，对真实环境世系数据分布存储于不同终端场景下，工作流图的安全采集和聚类分析，研究提出了基于本地化差分隐私的解决方案。.目前，研究任务已完成，将进一步深化总结研究成果，进行更广泛的国内外交流，积极寻求研究成果的产业应用机会。