基于概念格模型的用户隐私保护数据挖掘算法

过 珺

(安徽中医药高等专科学校 基础教学部, 安徽 芜湖 241000)

随着数字媒体无线传感网络的发展,网络用户增多,需要对数字媒体无线传感网络用户数据进行有效的隐私保护,通过挖掘数字媒体无线传感网络用户隐私保护数据[1],分析隐私编码信息分量,结合模糊度检测和信息融合的方法,进行数字媒体无线传感网络用户隐私保护数据检测和优化挖掘,提高数据的检测和识别能力.研究数字媒体无线传感网络用户隐私保护数据挖掘方法,对提高其数据安全性和可靠性方面具有重要意义[2].

当前对数字媒体无线传感网络用户隐私保护数据挖掘方法主要有传感信息跟踪识别方法、Hash融合聚类分析方法[3]、关联规则特征提取方法[4]、统计分析方法和模糊信息融合方法等[5].结合大数据特征采样和优化建模,进行数字媒体无线传感网络用户隐私保护数据挖掘和特征分析,但传统方法进行数字媒体无线传感网络用户隐私保护数据挖掘的适应度水平不高,挖掘过程的抗干扰性不好.针对上述问题,本文提出基于概念格模型的用户隐私保护数据挖掘算法.首先构建数字媒体无线传感网络用户隐私保护数据的特征检测模型,然后通过多维信息识别对无线传感器网络的用户隐私保护数据进行重组和编码,通过多维参数融合和信息加密控制方法构建用户隐私保护数据的概念格模型,并在该概念下建立用户隐私保护数据格模型融合挖掘加密协议,最后采用关联的频谱特征检测方法,实现用户隐私保护的数据挖掘和特征提取.在此基础上进行仿真测试分析,展示了本文方法在提高用户隐私保护数据挖掘能力方面的优越性能.

1 数据结构分析和特征重构

1.1 用户隐私保护数据结构分析

为了实现基于概念格模型的用户隐私保护数据挖掘,采用分块结构重组和概念格分布模型,得到数字媒体无线传感网络用户隐私保护数据的数据存储分布结构如图1所示.

图1 数据存储分布结构

采用概念集融合和语义特征分解的方法,得到数字媒体无线传感网络用户隐私保护数据的语义相关特征分布集为X,在n维向量中得到数字媒体无线传感网络用户隐私保护数据的相似度特征分布系数,采用属性加权控制[6],得到数字媒体无线传感网络用户隐私保护数据加权学习函数为:ω1,ω2,…,ωe,令Q为优化的数字媒体无线传感网络用户隐私保护数据存储结构模型下的关联信息匹配子集,表示为

(1)

(1)式中,p(ωi)为数字媒体无线传感网络用户隐私保护数据采样的区块分布幅值,μ=E(x)为数据的粗糙集特征匹配系数.采用融合特征匹配,构建数字媒体无线传感网络用户隐私保护数据的可靠度检测特征量,表示为f(x,y),求得(p+q)阶隐私保护数据的相似度分布的几何矩为

(2)

(2)式中,(x，y)是数字媒体无线传感网络用户隐私保护数据的融合参数,采用模糊聚类,得到数据的二阶特征分布矩为

S=Pa+f(n)+λ,

(3)

(3)式中,f(n)为网络数据控制特征参数,λ为数据检测方法参数,通过频域检测和邻域空间搜索的方法,构建数字媒体无线传感网络用户隐私保护数据的自适应加权学习模型,得到自相关学习的特征匹配集,表示为

(4)

(4)式中,xi∈Rn,给定数字媒体无线传感网络用户隐私保护数据的模型结构,表示为一个数据图G=(V,E),采用语义本体融合,得到数字媒体无线传感网络用户隐私保护数据的稀疏度特征分布集Y={y1,…,yl},采用查询节点的向量量化特征分解,得到数字媒体无线传感网络用户隐私保护数据的量化特征分布子集{v1,v2,…,vn},输出数字媒体无线传感网络用户隐私保护数据的信息编码模型,实现数据结构分块解析[7-9].

1.2 用户隐私保护数据特征重构

通过多维信息识别的方法进行无线传感网络用户隐私保护数据重组和信息编码,构建隐私保护数据的线性稀疏特征编码模型[10],通过多维参数融合和信息加密控制,得到数字媒体无线传感网络用户隐私保护数据的模糊分片特征解为

k(w)=[Δr+ui]+xv(a),

(5)

(5)式中,Δr为数据信息加密控制参数,ui为多维信息识别函数,根据分组检测和相空间重构的方法,构建数字媒体无线传感网络用户隐私保护数据的邻域特征加权模型,表示为

(6)

(6)式中,assoc(A,V)是数字媒体无线传感网络用户隐私保护数据的输出可靠性特征分量,通过粗糙度匹配,得到数据特征提取的信息熵为t(g).

采用关联属性挖掘和门限特征检测,得到数字媒体无线传感网络用户隐私保护数据重构的加权门限值Nth,当用户隐私保护数据重构加权值Neff

(7)

(7)式中,Δxi为最优迭代步长,采用全局寻优和迭代算法,得到数字媒体无线传感网络用户隐私保护数据的加密密钥为.

v(g)=X+[θs+l].

(8)

(8)式中,θs为数字媒体无线传感网络用户隐私保护数据重构输出参数,l为迭代步长增量.根据上述分析,构建隐私保护数据加密重构模型,通过多维参数融合和信息加密控制方法进行用户隐私保护数据的概念格模型构造[11].

2 用户隐私保护数据挖掘优化

2.1 数据信息编码

采用编码器—解码器结构模型,建立数字媒体无线传感网络用户隐私保护数据的融合的线性融合模型,通过模糊分割方法[12],得到数字媒体无线传感网络用户隐私保护的本体特征量,表示为

(9)

(9)式中,b(τ,φ)是数字媒体无线传感网络用户隐私数据分布的信息熵,采用多尺度的特征图融合方法,得到数字媒体无线传感网络用户隐私保护的适应度函数为cm,g(y)为多尺度的特征分布式融合模型参数.

根据对隐私保护数据的位置和类别信息的抽象特征检测[13],进行自适应融合,得到数字媒体无线传感网络用户隐私数据融合聚类结果为

(10)

根据有效的网络结构分析,采用线性特征融合聚类,得到数字媒体无线传感网络用户隐私信息分布的位置向量记为T={T1,T2,…,TNA}.根据分块概念格模型,得到无线传感网络用户隐私保护的聚类参数为Mi与Mj,采用双线性插值运算和稀疏模块化重构,得到数字媒体无线传感网络用户隐私信息的本体特征分量Clustdist(Mi,Mj),其中,(i≠j,1≤i≤q,1≤j≤q),提取二阶统计特征量作为概念格,根据网络用户隐私信息挖掘的概念格分布,建立概念格模型融合下的用户隐私保护数据挖掘加密协议,通过模糊空间信息重组,进行数据的信息编码[13].

2.2 数据挖掘和融合输出

考虑不同属性数字媒体无线传感网络用户隐私数据的聚类过程的差异性得到数字媒体无线传感网络用户隐私保护数据聚类的模糊子空间记作x1,x2,…,xm+1,第k个数字媒体无线传感网络用户隐私保护数据挖掘节点为δk

(11)

(11)式中,Ui表示数字媒体无线传感网络用户隐私保护数据集,k为负载参数，Θ(t)为数字媒体无线传感网络用户隐私保护数据的随机概率密度参数.以此为基础,构建数字媒体无线传感网络用户隐私数据挖掘的线性规划模型,表示为

I(as)=V+δk+Θ(t),

(12)

(12)式中,V表示数字媒体无线传感网络用户隐私数据的检测统计特征量.通过系数线性编码得到数字媒体无线传感网络用户隐私数据挖掘输出的互信息

(13)

(13)式中,τ为离散区间数,pij表示数字媒体无线传感网络用户隐私数据挖掘的模糊度参数.

通过模糊空间信息重组,实现对用户隐私保护数据的特征分布式融合和线性重构,采用关联谱特征检测方法,得到关联谱特征为

ζ=Nw+[w+C],

(14)

(14)式中,w为用户隐私保护数据的自适应分布权重,C为用户隐私保护数据的簇聚类参数,根据向量量化编码结果,得到用户隐私保护数据挖掘输出为

Q=NA+C+ζ，

(15)

(15)式中,NA为用户隐私保护数据的用户隐私保护数据参数,根据不同层级的特征信息融合结果,实现用户隐私保护数据挖掘.实现流程如图2所示.

图2 用户隐私保护数据挖掘实现流程

3 仿真测试分析

为了验证本文方法在实现数字媒体无线传感网络用户隐私保护数据挖掘中的应用性能,在Simulink仿真平台上进行数据挖掘的仿真实验,设置数字媒体无线传感网络用户隐私数据采集的频谱带宽为12.5 dB,相似度分布系数为0.36,可靠性特征参数1.26,数据维数为24,像素值为1200,测试样本集为500,根据上述参数设定,得到数字媒体无线传感网络用户隐私数据采集的频谱如图3所示.

图3 数据采集的频谱分布图4 数据编码

根据图3的频谱特征分析,进行数字媒体无线传感网络用户隐私数据量化编码,如图4所示.

根据数据编码结果得知,本文方法能有效实现对网络用户数据隐私保护,在此基础上实现数据挖掘,优化挖掘输出如图5所示.

图5 数据挖掘输出

分析图5得知,本文方法进行数字媒体无线传感网络用户隐私数据挖掘的输出值与数据采集的频谱分布输出值一致，表明该方法的分辨能力较好.

以文献[4]和文献[5]的方法作为实验对比方法，测试数据挖掘的精度,得到对比实验结果如表1所示.

表1 数据挖掘的精度对比

分析表1得知,在迭代次数为40时,本文方法对数字媒体无线传感网络用户隐私数据挖掘的精度达到1,而此时文献[4]方法的数据挖掘精度为0.925,文献[5]方法的数据挖掘精度为0.933.由上述实验结果可知,本文方法具有较高的用户隐私数据挖掘的精度,能够保证用户隐私数据的安全传输及存储.

4 结束语

对数字媒体无线传感网络用户数据进行有效的隐私保护,提高数据的隐私保护性,本文提出基于概念格模型的用户隐私保护数据挖掘算法.研究得知,本文方法对数字媒体无线传感网络用户隐私数据挖掘的精度较高,性能较好,能够应用于实际中,提升用户隐私数据的安全性.