极值扰动优化隐私框架的频繁项数据查询研究

摘要：

为了从海量数据集中准确查询出目标频繁项数据,需要应对大数据集的不确定性,现有方法随着数据量的增加,搜索得到的频繁项数据也随之增加,难以精确提取出有效的频繁项数据,导致在频繁项查询过程中的时间与空间效率低下.为 此提出了基于极值扰动优化隐私框架的频繁项数据查询方法.采用隐私框架分层对不确定数据中隐藏的频繁项进行查询,在第一层中利用指数机制得到符合目标支持度的频繁数据粗糙集,在第二层利用拉普拉斯变化得到噪声期望,并对频繁项数据的极值扰动进行分析,得到其稳定状态下的概率,根据频繁项数据时变非线性设计相应的扰动算子,将数据采取时间上的均匀选择,融合隐私框架从而准确提取出目标数据中隐藏的频繁项数据.通过仿真结果,验证了基于极值扰动优化隐私框架查询方法的有效性,其具有良好的时间与空间查询效率,能够有效适应大数据的不确定性.

关键词：频繁项、隐私框架、支持度、噪声期望、极值扰动

所属期刊栏目：37

分类号：TP311(计算技术、计算机技术)

资助基金：国家社会科学基金项目619588434

在线出版日期：2020-12-03（万方平台首次上网日期，不代表论文的发表时间）

页数：共4页

页码：403-406