智能算法的差分隐私保护技术及应用研究

In recent years, the problems of leakage of private information emerge endlessly, Differential Privacy Protection can be used to achieve protection of private information by adding a few noise to it. Research on privacy protection algorithm has gradually become an important hotspot in information security field. To deal with low usability of information when directly adding noise, density-based clustering algorithm is applied to preprocess the data, which lower the noise and increase the usability of data on the premise of not leaking the private information. We will focus on: .(1) To study the clustering algorithm is not sensitive to low-frequency data, Differential Privacy Protection is applied to increase the usability of data which has noise. .(2) Group intelligent clustering can be used to optimize large-scale data sets, high-dimensional data and scattered outliers. Then a method of differential privacy protection based on group intelligent clustering algorithm is designed..(3) To study the feature of data structure of Big Data, Differential Privacy Protection based on group intelligent clustering is applied to the Big Data processing and analysis. .The study will not only enhance the theory and application of Differential Privacy Protection, but also provide a method which meets the differential privacy conditions for the Big Data processing and analysis.

近年隐私信息泄露问题层出不穷，差分隐私保护通过添加少量噪声便可以实现隐私信息的保护，日渐成为信息安全领域研究的重要方向。针对直接添加噪声导致信息可用性较低的问题，采用密度聚类算法对数据做预处理，在保障隐私不被泄露的前提下，降低噪声累积过大，提高了数据的可用性。主要研究内容包括：（1）研究聚类算法对低频数据不敏感，应用差分隐私保护技术，提高带噪声数据的可用性；（2）利用智能聚类算法可以优化处理规模大、高维、含离群点数据等，设计智能算法的差分隐私保护；（3）根据大数据环境的数据特征 ，应用基于智能算法的差分隐私保护算法到大数据处理与分析的应用中。所得项目研究成果，完善了差分隐私保护技术理论与应用，为大数据处理与分析提供满足差分隐私条件的方法。

隐私保护是人工智能发展的保障，本项目从实际应用出发，以理论研究为基础，对聚类及其他智能算法的差分隐私保护、大数据环境下共享数据的差分隐私保护与访问控制及联邦学习等方面进行深入研究。研究成果主要体现在以下方面： .⑴提出基于密度的聚类算法改进差分隐私保护算法，建立能够发现任意形状的聚类、且有对离群点数据不敏感性质的聚类的差分隐私保护模型，使高维、孤立数据能安全的应用于聚类算法。.⑵提出一种隐私预算分配方法，隐私预算分配构建于数据访问者和贡献者的信誉度之上，并与数据隐私度以及访问权限值关联。.⑶提出一个密度峰值聚类算法的差分隐私保护方案。在计算局部密度的过程中添加 Laplace随机噪声，达到保护隐私数据的目的。.⑷提出差分隐私点击率预估模型。在原模型的嵌入层后添加双向长短时记忆网络，使用高斯机制对梯度进行随机扰动，以实现差分隐私保护。.⑸提出基于叶子结点深度来分配隐私预算的决策树集成模型和基于差分隐私两步计算法的并行GBDT模型，根据叶子结点深度分配隐私预算。隐私保护程度较之前方案有数倍提升。.⑹提出基于差分隐私保护知识迁移的联邦学习方法。使用边界扩展局部敏感散列方法实现联邦迁移学习，对传输的梯度扰动，实现知识迁移过程的隐私保护。.⑺提出医疗大数据共享的差分隐私保护和访问控制模型，实现个人安全地对隐私进行权限管理和数据医疗研究价值的充分利用。.此外，还开展与项目相关的研究工作。.本项目的研究成果为人工智能应用的安全部署所需的隐私保护研究提供了理论依据，为隐私保护方法提供新的研究思路和技术方法，为充分挖掘数据的使用价值的同时保护隐私数据提供技术支持，具有较强的研究意义、学术价值与应用价值。 .本项目培养青年教师1名，硕士生16名。发表学术论文20篇，其中中文核心期刊5篇，被SCI收录4篇，EI收录11篇。承办国内学术会议1次，资助参加国内外学术会议18次。获得软件著作权2项，申请国家发明专利4件。