-
题名一种基于本地化差分隐私的网格聚类方法
被引量：6
- 1
-
-
作者
张东月
倪巍伟
张森
付楠
候立贺
-
机构
东南大学计算机科学与工程学院
东南大学计算机网络和信息集成教育部重点实验室
-
出处
《计算机学报》
EI
CAS
CSCD
北大核心
2023年第2期422-435,共14页
-
基金
国家自然科学基金(61772131,62072156)资助。
-
文摘
随着移动互联网应用的不断深入,产生了大量个体数据,采集分布在不同终端上的数据进行聚类可以发现人群行为模式,支撑应用服务的深入开展.然而这些数据往往包含个体敏感信息,在缺少可信数据采集者的情况下,直接采集数据进行聚类存在泄露个体数据隐私的风险.近年来,本地化差分隐私(Local Differential Privacy,LDP)以其严谨的数学理论基础得到隐私保护领域研究者的持续关注.现有基于LDP的聚类研究多数采用基于划分的聚类方法,存在仅适用凸状分布数据以及聚类质量损失较大问题.针对该问题,聚焦网格聚类,提出基于LDP的隐私保护网格聚类方法.首先,设计网格划分评估指标,通过调节网格划分粒度调控网格密度估算误差和簇边缘信息损失,指导网格结构选取;然后,在服务器与终端间构建循环反馈机制,利用数据分布信息迭代优化扰动粒度,降低差分噪声注入量,在保护终端数据隐私安全的前提下,提升网格密度估算精度;最后,在服务器端,提出基于网格结构的自适应网格聚合方法,提升隐私保护聚类质量.理论分析和实验结果表明,所提方法在兼顾各终端个体数据隐私的同时,对不同分布数据有良好的聚类效果.
-
关键词
隐私保护
本地化差分隐私
网格聚类
网格划分评估指标
循环反馈机制
-
Keywords
privacy protection
local differential privacy
grid clustering
evaluation index of grid division
circular feedback mechanism
-
分类号
TP311
[自动化与计算机技术—计算机软件与理论]
-
