基于差分隐私的决策树发布技术研究

doi:10.3969/j.issn.1006-2475.2017.03.013

计算机与现代化 ›› 2017, Vol. 0 ›› Issue (3): 59-.doi: 10.3969/j.issn.1006-2475.2017.03.013

基于差分隐私的决策树发布技术研究

东华大学计算机科学与技术学院，上海201620

收稿日期:2016-08-26 出版日期:2017-03-29 发布日期:2017-03-30
作者简介:陈杨（1992-），女，安徽宿州人，东华大学计算机科学与技术学院硕士研究生，研究方向：差分隐私保护，数据库与数据仓库技术；于守健（1976-），男，山东威海人，副教授，博士，研究方向：数据库与数据仓库技术，Web服务。

Research on Differential Privaty for Decision Tree Release Technology

College of Computer Science and Technology， Donghua University， Shanghai 201620， China

Received:2016-08-26 Online:2017-03-29 Published:2017-03-30

摘要/Abstract

摘要：

近年来，大数据所带来的隐私泄露问题日趋严重，如何在保护数据隐私的同时保留足够的信息进行数据分析是研究者面临的重要挑战。针对数据分析过程中可能产生的隐私泄露问题，提出一种基

于差分隐私的决策树发布法，该算法是基于非交互模型，利用指数机制保证细分属性的选择满足差分隐私保护，根据数据集的特点自适应分配隐私预算，相比已有的算法隐私预算分配更合理，决策树的

分类准确性更高。实验结果验证了本算法的优越性。

关键词: 泛化, 差分隐私, 决策树, 数据发布, 隐私保护

Abstract:

Privacy disclosure issue is becoming more and more serious due to big data. We proposed a differential private generalization data publishing algorithm for decision

tree. The algorithm is based on the noninteractive model， in the process of attribute segmentation by combining similar branch to reduce the overall noise， and keeps more of

original information， so it can improve the accuracy of classification. According to the need of exponential mechanism， adaptive allocation privacy budget， compared with the

previous algorithms， under the condition of the same privacy budget it can make the data more differentiated， and decision tree classification accuracy is higher. The

experimental results also prove the validity and superiority of this algorithm.

Key words: , generalization； differential privacy； decision tree； data release； privacy preserving

中图分类号:

TP393

陈杨，于守健. 基于差分隐私的决策树发布技术研究[J]. 计算机与现代化, 2017, 0(3): 59-.

CHEN Yang， YU Shoujian. Research on Differential Privaty for Decision Tree Release Technology[J]. Computer and Modernization, 2017, 0(3): 59-.

参考文献

［1］Li Ninghua， Li Tiancheng， Venkatasubramanian S. tcloseness: Privacy beyond kanonymity and ldiversity［C］// Proceedings of the IEEE International Conference on Data

Engineering（ICNE）. 2007:106-115.
［2］Dwork C. Differential privacy［C］// Proc. of the 33rd International Colloquium on Automata， Languages and Programing. 2006:1-12.
［3］Xu Jia， Zhang Zhenjie， Xiao Xiaokui，et al. Differentially private histogram publication［J］. The VLDB Journal, 2013,22（6）:32-43.
［4］Mohammed N， Chen R， Fung B C M， et al. Differentially private data release for data mining［C］// Pro. of the 17th ACM SI GKDD International Conference on Knowledge

Discovery and Data Minning. 2011: 493-501.
［5］熊平，朱天清，金大卫. 一种面向决策树构建的差分隐私保护算［J］. 计算机研究与应用, 2014，31（10）:3108-3112.
［6］Dwork C， Herry F， Issim K， et al. Calibrating noise to sensitivity in private data analysis［C］// Proc. of the 3rd Conference on Theory of Cryptography. 2006:265-284.
［7］McSherry F， Talwar K. Mechanism design via differential privacy［C］// Proc. of the 48th Annual IEEE Symposium on Foundations of Computer Science. Washington DC: IEEE

Computer Society， 2007:94-103.
［8］McSherry F. Privacy integrated queries: An extensible platform for pravicypreserving data analysis［J］. Communications of the ACM， 2010，53（9）:89-97.
［9］Quinlan J R. Induction of decision trees［M］// Readings in Knowledge Acquisition and Learning. San Francisco: Morgan Kaufman Publishers Inc， 1993:349-361.
［10］洪家荣，丁明峰. 一种新的决策树归纳学习算法［J］. 计算机学报， 1995（6）:470-474.
［11］Witten I H， Frank E， Hall M A. Data Mining: Practical Machine Learning Tools and Techniques［M］. 3rd ed. San Francisco: Morgan Kaufman Publishers Inc， 2011.
［12］Witten I H， Frank E， Hall M A. Diffenential Privacy:A Survey of Results ［M］. Springer Berlin Heidelberg， 2008， 4978:1-19.
［13］Lin Chi， Song Zihao， Song Houbin， et al. Differential privacy preserving in big data analytics for connected health ［J］. Journal of Medical Systems， 2016，40

（4）:1-9.
［14］Dwork C， Rothblum G N. Concentrated Differential Privacy［C/OL］. Eprint arXiv:1603.01887［cs.DS］， 2016.
［15］张啸剑，孟小峰. 面向数据发布和分析的差分隐私保护［J］. 计算机学报， 2014（4）:927-949.
［16］Li Chao， Miklau G， Hay M， et al. The matrix mechanism: Optimizing linear counting queries under differential privacy［J］. VLDB Journal， 2015，24（6）:757-781.
［17］Bojarski M， Choromanska A， Choromanski K， et al. Differentially and nondifferentiallyprivate random decision trees［J］. Eprint arXiv:1410.6973， 2014.
［18］Li Chao， Miklau G. Lower bounds on the error of query sets under the differentiallyprivate matrix mechanism ［J］. Theory of Computing Systems， 2015，57（4）:1159-

1201.

[1]	袁红伟1, 常利军1, 郝家欢2, 樊娜2, 王超2, 罗闯2, 张泽辉2. 基于标签传播的轨迹兴趣点挖掘及隐私保护[J]. 计算机与现代化, 2024, 0(05): 46-54.
[2]	孟雅蕾1, 师红宇1, 王予2. 一种无阻流量预测方法[J]. 计算机与现代化, 2024, 0(04): 33-37.
[3]	杨巨, 邓志良, 杨志强, 王燕, 赵中原. 基于Fed-DPDOBO的分散式联邦学习[J]. 计算机与现代化, 2024, 0(04): 99-106.
[4]	查凯金, 王志波, 何月顺, 徐洪珍. 区块链安全保护研究综述[J]. 计算机与现代化, 2023, 0(06): 110-117.
[5]	潘裕庆, 张苏宁, 冯仁君, 景栋盛. 结合粒子群优化和LightGBM的入侵检测方法[J]. 计算机与现代化, 2023, 0(04): 123-126.
[6]	冯立刚, 朱友文, . 保护位置隐私的效用优化本地差分隐私机制[J]. 计算机与现代化, 2022, 0(09): 99-105.
[7]	张天喜, 王利朋, 周春天, 杨艳艳, 李晓冲. 物联网中基于区块链的密态内容审计方案[J]. 计算机与现代化, 2022, 0(03): 30-36.
[8]	冷浩柏, 卢涵宇, 郭彩, 袁咏仪, 杨文雅. 基于改进胶囊神经网络的遥感影像分类[J]. 计算机与现代化, 2022, 0(02): 102-107.
[9]	肖宏宇, 曾文驱, 王淑营. 基于模型特征匹配的BIM模型混合推荐算法[J]. 计算机与现代化, 2022, 0(01): 28-32.
[10]	赵龙, 龙士工, . 基于本地差分隐私的众包隐私保护方法[J]. 计算机与现代化, 2021, 0(07): 115-119.
[11]	魏健, 赵红涛, 刘敦楠, 加鹤萍 . 基于集成模型的超短时负荷预测方法[J]. 计算机与现代化, 2021, 0(03): 12-17.
[12]	陈明帅, 吴克河. 基于shell命令的内部攻击检测[J]. 计算机与现代化, 2021, 0(01): 56-60.
[13]	郭欣, 陈瑛, 章鸣嬛, 张璇, 潘曙明, 汤璐佳. 利用机器学习方法对灾难生命支持课程NDLS培训效果进行分析预测#br#[J]. 计算机与现代化, 2020, 0(12): 61-66.
[14]	左鹏,贺智谋,袁梦,张海阔,杨卫平. 基于加密传输的标识解析模型研究[J]. 计算机与现代化, 2020, 0(04): 46-.
[15]	吕坦悦1,2，陆小敏1,2，王健1,2. 基于决策树和层次分析的地铁车辆健康评估[J]. 计算机与现代化, 2020, 0(03): 29-.

基于差分隐私的决策树发布技术研究

Research on Differential Privaty for Decision Tree Release Technology

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价