面向数据流的双重隐私保护技术研究

数据流隐私保护是在保证已有敏感信息不被泄漏的情况下实现有效的信息共享。数据流广泛存在于政府、金融、医疗等领域,然而,在数据流挖掘发现知识的同时，也对隐私和数据安全构成威胁。本项目以防止数据流隐私泄露为出发点，研究数据流双重隐私保护技术，内容包括：①研究面向原始数据流的匿名化，针对数据流的不同维添加合适的噪音数据，并进行快速弱聚类，进而对满足条件的簇进行匿名化，在对原始数据流敏感数据有效保护的同时保证数据的实用性；②针对匿名化数据流所具有的概要特征设计敏感模式维护与敏感规则挖掘方法，在快速挖掘的同时自适应的生成敏感规则；③针对挖掘出的敏感规则进行隐私保护，对匿名化数据进行二次变换，使其在不泄露敏感规则的前提下保留尽可能多的非敏感规则,提高发布信息的可用性。寻找隐私保护的有效性与信息共享的安全性之间的最佳平衡点，对原始数据流及其隐含知识实施双重隐私保护,解决数据流信息共享中隐私泄露的问题。

数据流隐私保护是在保证已有敏感信息不被泄漏的情况下实现有效的信息共享。本项目分别以数据流的数据挖掘及敏感信息保护两方面作为研究重点，并将两方面的研究成果相结合实现数据流的隐私保护。在数据流的数据挖掘方面提出若干模型和算法：基于代表点的分布式数据流聚类算法、改进向量投影的支持向量预选取方法、基于秩2更新的多维数据流典型相关跟踪算法、大数据典型相关分析的云模型方法、数据流选择性集成的两阶段动态融合方法等。在隐私保护方面提出若干算法：基于逆聚类的个性化隐私匿名方法、基于最小选择度优先的多敏感属性个性化的l-多样性算法、聚类的(α,k)-匿名数据发布、半监督聚类的匿名数据发布、基于敏感属性值语义桶分组的t-closeness隐私模型、面向敏感性攻击的多敏感属性数据逆聚类隐私保护方法、一种面向高维数据挖掘的隐私保护方法、基于滑动窗口的敏感关联规则隐藏、数据发布中的个性化隐私匿名技术研究、基于敏感属性熵的微聚集算法等。此外，本课题还进行了相关研究，提出：面向大规模混合数据的聚类方法、基于归属不确定性的变规模网络重叠社区识别、基于高斯分布的虚拟样本生成方法、虚拟样本生成技术研究、基于话题综合因子分析的语义社会网络社区发现算法、面向物联网传感器事件监测的双向反馈系统。