文献类型：期刊文章

作　　者：张啸剑[1,2] 王淼[1] 孟小峰[1]

机构地区：[1]中国人民大学信息学院,北京100872 [2]河南财经政法大学计算机与信息工程学院,郑州450002

出　　处：《计算机研究与发展》

基　　金：国家自然科学基金项目(61379050;91024032;91224008;91124001;91324015);国家"八六三"高技术研究发展计划基金项目(2012AA011001;2013AA013204);高等学校博士学科点专项科研基金项目(20130004130001);中国人民大学科学研究基金项目(11XNL010)

年　　份：2014

卷　　号：51

期　　号：1

起止页码：104-114

语　　种：中文

收录情况：AJ、BDHX、BDHX2011、CSA-PROQEUST、CSCD、CSCD2013_2014、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：频繁模式挖掘是分析事务数据集常用技术.然而,当事务数据集含有敏感数据时(如用户行为记录、电子病例等),直接发布频繁模式及其支持度计数会给个人隐私带来相当大的风险.对此提出了一种满足ε-差分隐私的top-k频繁模式挖掘算法DP-topkP(differentially private top-kpattern mining).该算法利用指数机制从候选频繁模式集合中挑选出top-k个携带真实支持度计数的模式;采用拉普拉斯机制产生的噪音扰动所选模式的真实支持度计数;为了增强输出模式的可用性,采用后置处理技术对top-k个模式的噪音支持度计数进行求精处理.从理论角度证明了该算法满足ε-差分隐私,并符合(λ,δ)-useful要求.实验结果证明了DP-topkP算法具有较好的准确性、可用性和可扩展性.

关 键 词：频繁模式挖掘 top-k模式  差分隐私  拉普拉斯机制  指数机制  

分 类 号：TP392]