一種基于k-匿名的健康數(shù)據(jù)隱私保護方法
【技術領域】
[0001] 本發(fā)明屬于隱私保護領域，尤其涉及一種數(shù)據(jù)發(fā)布過程中的基于κ-匿名的低信息 損失的隱私保護方法。
【背景技術】
[0002] 隨著數(shù)據(jù)挖掘和數(shù)據(jù)發(fā)布等數(shù)據(jù)庫應用的出現(xiàn)與發(fā)展，如何保護隱私數(shù)據(jù)和防止 敏感信息泄漏成為當前面臨的重大挑戰(zhàn)。隱私保護問題已經成為數(shù)據(jù)挖掘應用及數(shù)據(jù)安全 領域的一個主要研究方向。隱私保護技術研究一般是通過改進關聯(lián)規(guī)則、挖掘算法等，或在 數(shù)據(jù)表發(fā)布之前進行隱私保護的相應處理，來實現(xiàn)個體隱私的保護。
[0003] 在早期的研究中，大多數(shù)統(tǒng)計問題需要保持發(fā)布數(shù)據(jù)的可用性，統(tǒng)計數(shù)據(jù)庫(SDB) 一般是通過訪問控制的機制和策略對不同的用戶賦予不同的數(shù)據(jù)訪問權限，然而隨著數(shù)據(jù) 挖掘技術的不斷發(fā)展，個人隱私泄漏問題越來越嚴重，人們對隱私保護的需求日益高漲，之 前所提出來的相關技術已經無法滿足人們越來越高的隱私保護需求，與此同時，隨著各類 共享信息的不斷增多和搜索技術的不斷進步，越來越多的個人隱私信息被發(fā)掘出來。目前 防止隱私泄露的方法的主要有抽樣、微聚合、Recording、數(shù)據(jù)約束、向原始數(shù)據(jù)添加噪聲、 數(shù)據(jù)交換、數(shù)據(jù)泛化等。
[0004] K-匿名(K-Anonymity)模型在眾多的數(shù)據(jù)挖掘隱私保護模型中以其簡單實用而引 起了國內外學者的廣泛關注和研究。K-匿名(K-Anonymity)模型是一個典型的數(shù)據(jù)發(fā)布模 型，與基于傳統(tǒng)的訪問控制等隱私保護技術不同，為了滿足匿名的需求，它首先對原始數(shù)據(jù) 集進行預處理，然后發(fā)布經過處理的數(shù)據(jù)集。K-匿名是在特定的應用背景被提出，在選舉、 求職、醫(yī)療等需要數(shù)據(jù)發(fā)布的各種應用場合中，既要能把個人的標識信息隱匿起來，還要確 保不能通過發(fā)布出來的信息將相關的選民、求職者、病患的隱私信息推導出來，這就是數(shù)據(jù) 發(fā)布中隱私保護的重要意義所在。
[0005] 傳統(tǒng)的K-匿名模型可以有效地防止鏈接攻擊，卻無法防止一致性攻擊和背景知識 攻擊。而目前針對K-匿名進行的改進也多以犧牲信息損失度為代價進行的。

【發(fā)明內容】

[0006] 為了解決鏈接攻擊以及傳統(tǒng)的K-匿名方法無法防止的一致性攻擊，本文提出了基 于三閾值的K-匿名改進方法，即基于K-匿名的健康數(shù)據(jù)隱私保護方法。該方法具有很高靈 活性，可以根據(jù)閾值的設置來改變匿名處理的速度以及信息損失度，該方法包括步驟：
[0007] (1)確定發(fā)布數(shù)據(jù)的標識符屬性、敏感屬性、準標識符屬性；
[0008] (2)依據(jù)敏感程度，對敏感屬性進行分組，并設置相關的閾值參數(shù);進行過分組之 后得到敏感屬性分組S = ( Sgl，Sg2，. . .，Sgm)，并設置組隱私約束率a3 = (aSgl，asg2，. . .，aSgm)， 且&沖元素的敏感值相同即S中共有m個敏感值；同時設置參數(shù)ai，a2的值，ai表示是否對原 始數(shù)據(jù)直接進行匿名處理的閾值;a 2表示每個等價類中應至少出現(xiàn)的不同敏感值的個數(shù)；
[0009] (3)根據(jù)閾值&1來判定對數(shù)據(jù)是否直接進行下一步的聚類處理還是先對原始數(shù)據(jù) 進行處理使之滿足閾值&1的要求;進行al判定，判定閾值al是否得到滿足，若得到滿足則直 接進入下一環(huán)節(jié)進行處理，否則，對數(shù)據(jù)進行處理，將一定比例的隱私約束率為1的數(shù)據(jù)，即 不需要進行保護的數(shù)據(jù)直接發(fā)布，使剩余的數(shù)據(jù)滿足閾值ai，便得到數(shù)據(jù)集T。
[0010] (4)對步驟(3)得到的數(shù)據(jù)集T進行聚類處理；
[0011] 步驟4.1，判斷敏感屬性值的個數(shù)是否大于a2,是則執(zhí)行下一步，否則跳出流程;定 義QIS={}，QIS為等價類的集合；
[0012] 步驟4.2，從數(shù)據(jù)集T中隨機選取一個元組t，T = T-{t};生成聚類集C = {t}，把t作 為聚類的中心；
[0013] 步驟4.3,如果C中敏感屬性組個數(shù)小于a2,則從T中尋找一個元組ti，t與ti中的敏 感屬性值屬于不同的敏感屬性組，且Dis(t，ti)的值最小;C = CU {ti} ;T = T_{ti};直至C中 的敏感屬性組個數(shù)為a2個；
[0014] 用下述公式計算元組tl和t2的距離：
[0015]
/=1
[0016] 數(shù)值型數(shù)據(jù)之間的距離使用下述公式進行計算：
[0017]
[0018] 分類型數(shù)據(jù)之間的距離使用下述公式進行計算：
[0019]
[0020] 步驟4.4,當C中元組個數(shù)小于K時，從T中找一個元組使得與聚類集C的距離最 小；統(tǒng)計聚類集C中與元組屬于同一個敏感屬性組的個數(shù)I Sgl I，計算GPleak(Sgl);如果 GPleak(Sgi) < asgi，則進行下面操作，C = CU {tj} ;T = T-{tj}。將得到的聚類集C存放在QIS 中，K為每個聚類中元組的個數(shù)；
[0021] 步驟4.5,重復前面的步驟，直至T中的數(shù)據(jù)都經過了匿名化處理；
[0022] (5)對經過聚類得到的數(shù)據(jù)進行泛化；
[0023]將一個聚類內的數(shù)據(jù)泛化為一個值，具體操作如下：
[0024]步驟5.1，制定泛化格；
[0025]步驟5.2,泛化時泛化規(guī)則從泛化格底部開始選擇，判定能否將所有聚類集進行泛 化，如可以則選擇該泛化策略，否則根據(jù)泛化格向上選取下一個泛化策略；
[0026] (6)獲得經過匿名化的數(shù)據(jù)集Τ'。
[0027] 本發(fā)明的有益效果是：在安全性方面，一、對數(shù)據(jù)進行Κ-匿名處理，因此處理后的 數(shù)據(jù)可以抵抗鏈接攻擊;二、對數(shù)據(jù)進行匿名處理的過程中進行了 a2閾值的限定從而可以 有效地防止一致性攻擊。在效率方面，該發(fā)明設置了閾值，從而使得匿名處理更加靈活， 對于只有少量的用戶信息具有較高的保護要求時，可以只對部分數(shù)據(jù)進行匿名化處理。同 時也可以根據(jù)實際情況來對靈活地設置 ai的取值，來平衡處理速度與信息損失度的關系。
【附圖說明】
[0028]圖1示出了本發(fā)明一種基于K-匿名的健康數(shù)據(jù)隱私保護方法的流程圖；
[0029]圖2示出了該方法中閾值al判定流程；
[0030]圖3示出了聚類處理的方法流程；
[0031]圖4示出了本實施實例中應用的泛化技術；
[0032]圖5示出了本實施實例中泛化格的處理技術；
[0033]圖6示出了本實施實例使用泛化格操作流程。
【具體實施方式】
[0034]下面結合附圖和實施例對本發(fā)明做進一步說明：
[0035] -種基于K-匿名的健康數(shù)據(jù)隱私保護方法，包含以下步驟：
[0036] 確定發(fā)布數(shù)據(jù)的標識符屬性、敏感屬性、準標識符屬性；
[0037] 標識符屬性:數(shù)據(jù)表中的某屬性如果能夠唯一標識出個體身份，即能夠直接確定 某個具體的個體，例如姓名、護照號、電話號碼等屬性，這樣的屬性就稱為標識符屬性。數(shù)據(jù) 發(fā)布時，一般直接從表中移除該屬性。
[0038] 準標識符屬性((>)皿8；[-1(16111^；^6^，(>)1) :準標識符屬性是同時存在于發(fā)布數(shù)據(jù)表 和外部數(shù)據(jù)源表中的一組屬性，例如郵編、出生日期、性別的屬性集合。利用該屬性集合對 數(shù)據(jù)表進行鏈接，推導出標識個人的隱私信息，該屬性集合稱為準標識符屬性。
[0039] 敏感屬性(Sensitive Attribute):發(fā)布數(shù)據(jù)時，個體不愿意其他用戶所知道的信 息屬性，即需要被保護的屬性，例如疾病信息、個人收入、婚姻狀況等。
[0040] 如圖1所示，本實施包括屬性分組，閾值確定，聚類，泛化模塊。具體為：
[0041 ]步驟1，對信息中的敏感屬性進行分組，如疾病信息為敏感屬性，可將疾病信息進 行分組，將艾滋病、癌癥等隱私性強的疾病信息分為一組，將高血壓、糖尿病分為一組，發(fā) 燒、感冒分為一組(分組是根據(jù)疾病的敏感程度來進行的）。進行過分組之后可以得到敏感 屬性分組S = ( Sgl，Sg2，· · ·，Sgm)，并設置組隱私約束率a3 = (aSgl，aSg2，· · ·，aSgm)，且Sgi中兀素 的敏感值相同即S中共有m個敏感值。設置參數(shù)ai，a 2的值。&1表示是否對原始數(shù)據(jù)直接進行 匿名處理的閾值，只有當敏感屬性中不能直接發(fā)布的元組的比例達到 &1時，才對數(shù)據(jù)進行 匿名化處理，否則先對其進行相應處理，如此，本算法更加靈活，系統(tǒng)開銷也能夠得到更好 地控制; &2表示每個等價類中應至少出現(xiàn)的不同敏感值的個數(shù)，此做法是為了進一步提升 算法的安全性。
[0042]等價類E的定義：
[0043]給定數(shù)據(jù)表AT，其準標識符屬性為QI，則AT在QI上具有相同映射值的所有元組構 成等價類E。即等價類E中所有元組在QI上的屬性值是不可區(qū)分的。
[0044] 定義8、組隱私泄露約束定義：
[0045]給定數(shù)據(jù)集D，準標識符屬性QI，敏感屬性組S為敏感屬性值的集合，且S={sgl， sg2, · · ·，sgm}為敏感屬性根據(jù)敏感性的一個分組，（（E，Sgi))表示在等價類E中敏感屬性組s gi 的隱私程度，33為專家（8卩人為)設置的參數(shù)，0〈33〈=1，3!^1，3!^2，...，3￥分別為各個敏感組 的