改进贝叶斯网络的个性化隐私数据发布方法

陈思阳

（山东科技大学计算机科学与工程学院，山东青岛 266590）

0 引言

在大数据时代，数据开放与共享已成为必然趋势［1］。为了方便研究与应用，许多机构和组织会公开发布数据，然而这些数据可能包含个人敏感信息，如果直接发布会导致用户隐私泄露。例如，疾病预防控制中心需要从各种医疗机构收集病例，若未经处理便发布了原始信息，患者个人信息可能会被非法利用，对其日常生活造成严重影响［2］。为解决该问题，诸多学者对隐私保护数据发布（Privacy-Preserving Data Publishing，PPDP）方法［3］进行了研究，目的是保护原始数据的隐私信息，同时为后续数据分析保留尽可能多的数据效用。

k-匿名模型［4］是PPDP 领域提出的第一个隐私保护模型，由于其简单性和有效性而得到广泛应用［5］。k-匿名模型虽然可以防止身份泄露，但不足以防御属性泄露。因此，若干种扩展k-匿名模型被提出，如l-多样性［6］、t-紧密度［7］、（k，l）-多样性［8］、（α，ε）-匿名［9］、p-敏感度k-匿名［10］，以及各种改进的匿名模型［11-13］。这些模型大多是基于k-匿名模型的传统隐私保护技术，需要特殊的背景攻击假设，不能提供严格有效的数学证明，从而降低了隐私保护的可靠性。

差分隐私保护方法由Dwork［14］提出，其克服了传统隐私保护方法的主要缺陷，无需考虑攻击者拥有的背景知识，并使用严格的数学推理证明对隐私保护模型进行量化。该方法要求在查询结果中添加噪声，因此主要应用于查询结果的发布中［15］。基于此，Hasan 等［16］提出一种非交互式保护框架，通过转换或压缩原始数据向查询结果中添加噪声以满足ε-差分隐私。……