面向频繁项集挖掘的本地差分隐私事务数据收集方法

摘要：

事务数据常见于各种应用场景中,如购物记录、页面浏览历史等.为了提供更好的服务,服务提供商收集用户数据并进行分析,但收集事务数据会泄露用户的隐私信息.为了解决上述问题,基于压缩的本地差分隐私模型,提出一种事务数据收集方法.首先,定义了一种新的候选项集分值函数;其次,基于该函数,将候选项集的样本空间划分为多个子空间;然后,随机选择其中一个子空间,基于该子空间随机生成事务数据并发送给不可信的数据收集者;最后,考虑到隐私参数的设置问题,基于最大后验置信度攻击模型设计启发式隐私参数设置策略.理论分析表明,该方法能够同时保护事务数据的长度与内容,满足压缩的本地差分隐私要求.实验结果表明,与目前最优的工作相比,所收集的数据具有更高的效用性,隐私参数设置更具有语义性.

关键词：隐私保护;数据收集;事务数据;本地差分隐私;隐私参数

所属期刊栏目：32

分类号：TP309(计算技术、计算机技术)

资助基金：国家自然科学基金;广州市科技计划;广东省基础与应用基础研究基金;广东省教育厅创新团队项目

在线出版日期：2021-12-01（万方平台首次上网日期，不代表论文的发表时间）

页数：共22页

页码：3541-3562