数据挖掘算法之k-匿名算法

最新推荐文章于 2024-05-12 19:10:33 发布
最新推荐文章于 2024-05-12 19:10:33 发布
阅读量1.6w 收藏 25
点赞数 3
分类专栏： 数据挖掘 文章标签： 隐私保护 k-匿名模型
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Mrs_Wu/article/details/79658281
版权

    在大数据时代，随着数据的价值被人们更多地挖掘和利用，各种隐私保护问题也越来越多地引起了大家的注意。给予这一点，相继提出了多种隐私保护算法。今天我们来讲解一种匿名隐私保护模型——k-匿名模型

    在讲解k-匿名模型之前，我们首先对用户数据类型进行一个分类：

    ①显式标识符（ID，能够唯一地确定一条用户记录）

    ②准标识符（QI，能够以较高的概率结合一定的外部信息确定一条用户记录）

    ③敏感属性（需要保护的信息）

    ④非敏感属性（一般可以直接发布的信息）

     接下来我们来正式介绍k-匿名模型，用T(Q1,Q2,...,Qd,S1,S2,...,Sm)来表达一张待发布的数据表，简称为T(d)，其中d是准标识符的个数，而m是敏感属性的个数。k-匿名机制要求表中的每一条记录都至少和表中的k-1条记录的准标识符QI一致。令是表T(d)在属性集合QI上的投影。表T(d)在属性集QI下满足k-匿名，当且仅当中的任意一条记录都至少

最低0.47元/天 解锁文章
Mrs_Wu
关注
  • 3
    点赞
  • 踩
  • 25
    收藏
    觉得还不错? 一键收藏
  • 8
    评论
专栏目录
数据挖掘算法学习之Apriori算法
点滴记录
09-28 1785
频繁模式：         频繁出现在数据集中的模式         譬如，一个商场一天出售的商品（大米，油，等）是一个数据集。频繁模式是一个子序列，如牙膏和牙刷总是在一起出现，则课看做一个频繁模式。 关联规则：         频繁模式可以使用关联规则表示，如：         牙刷=>牙膏         表示一个人买了牙刷后很可能买牙膏。 频繁项集：   
数据安全之K匿名技术
Threshgod的博客
07-21 458
Datafly算法是数据发布环境下保护数据隐私的一种k-匿名方法，实现k-匿名时只对准标识符属性集中属性值种类最多的属性进行归纳。1、查找相关资料，描述匿名技术中的Datafly算法。2、编程实现Datafly算法。
K-匿名是数据隐私保护的一种基本算法，它的工作原理是什么？针对k-匿名存在哪些攻击方法，请举例说明4种攻击方法？
xiaoqiaoliushuiCC的博客
04-12 6289
链式攻击：指攻击者通过对发布的数据和其他渠道获取的外部数据进行链接操作，以推理出隐私数据，从而造成隐私泄露，相当于一种个人信息维度的扩充。 K-匿名算法就是为了解决链式攻击。 工作原理：通过概括（对数据进行更加概括、抽象的描述）和隐匿（不发布某些数据项）技术，发布精度较低的数据，使得每条记录至少与数据表中其他k-1 条记录具有完全相同的准标识符属性值，从而减少链接攻击所导致的隐私泄露。 攻击方法：...
数据匿名化技术
最新发布
weixin_41575632的博客
05-12 308
例如，可以用随机生成的字符或数字替换诸如社会保险号、姓名和地址之类的个人识别信息（PII），或者用“X”替换社会保险号或信用卡号中除最后四位数字以外的所有数字，从而保护数据安全。数据替换涉及到用不同的数据块替换数据集中的数据块。例如，如果你有一个值为1，2，3和4的数据集，你用值5代替值2，结果数据集将是1，5，3；匿名化是通过将一条记录中的值与另一条记录的相应值置换或交换来完成的，即置换数据集中两条记录的位置。例如，如果您有一个值为1，2，3，4的数据集，并且您对数据进行了排序，那么您最终得到的数据。
K匿名算法
hellompc的博客
01-06 1万+
在大数据的时代，很多机构需要面向公众或研究者发布其收集的数据，例如医疗数据，地区政务数据等。这些数据中往往包含了个人用户或企业用户的隐私数据，这要求发布机构在发布前对数据进行脱敏处理。K匿名算法是比较通用的一种数据脱敏方法。 举例来说，如下图是两张表，一张是用户的会员注册信息表，一张是对外发布的医疗信息表。 第二张医疗信息表中，虽然已经把用户姓名，身份证号等个人关联信息抹去，但如果直接...
K-匿名算法
培根芝士的专栏
12-03 1万+
在大数据的时代，很多机构需要面向公众或研究者发布其收集的数据，例如医疗数据，地区政务数据等。这些数据中往往包含了个人用户或企业用户的隐私数据，这要求发布机构在发布前对数据进行脱敏处理。K匿名算法是比较通用的一种数据脱敏方法。 K匿名的基本概念 为解决链接攻击所导致的隐私泄露问题，引入k-匿名 (k-anonymity) 方法。k-匿名通过概括（对数据进行更加概括、抽象的描述）和隐匿（不发布某些数据项）技术，发布精度较低的数据，使得同一个准标识符至少有k条记录，使观察者无法通过准标识符连接记录。.
k-anonymity匿名算法
热门推荐
sprite_Yang的博客
10-01 3万+
前言：九月的最后一天开的这个深坑，可能会需要好几天才能弄清楚这个算法，如果有不对的地方欢迎批评指正，但是！千万不要喷我！我会生气！！！ 数据发布中隐私保护对象主要是用户敏感数据与个体身份之间的对应关系。通常使用删除标识符的方式发布数据是无法真正阻止隐私泄露的，攻击者可以通过链接攻击获取个体的隐私数据。 链式攻击是指攻击者通过对发布的数据和其他渠道获取的外部数据进行链接操作，以推理出隐私数据...
数据匿名化k-值法
m0_58420741的博客
05-16 794
得到新的聚类中心后，再次对全部样本进行分类，将样本点归入距离最近的聚类中心所在的类别中。具体来说，该方法通过将原始数据的敏感信息替换为相邻区间的中心值，并引入一些随机扰动，使得数据难以还原，从而保证了数据的匿名性。同时，在迭代计算聚类中心时，如果样本点到两个聚类中心的距离相同，则按顺序选择第一个聚类中心作为它所属的分类。计算每一个样本点到聚类中心的距离，将样本点归入距离最近的聚类中心所在的类别中。2. 分类：计算每一个样本点到这k个聚类中心的距离，并将样本点归入距离最近的聚类中心所在的类别中。
针对k-匿名数据的判定树构造算法
02-21
数据挖掘问题是提高k-匿名隐私保护模型下数据可用性问题之一.通过分析发现,k-匿名表中准标识符属性值与利用精确表生成的判定树的部分非叶结点的属性值均是通过泛化产生的,根据这一对应关系,本文提出了一种基于k-匿名...
k-匿名隐私保护 python实现.rar
12-14
通过对代码的深入学习，我们可以了解如何在实际项目中应用k-匿名算法，以及如何利用Python工具来实现隐私保护。 总结来说，k-匿名隐私保护是数据安全领域的一种重要技术，而Python作为强大的数据分析语言，为其实现...
K-匿名：网络安全的匿名方法
02-04
K匿名 网络安全的匿名化方法。 匿名化方法 匿名化方法旨在通过使用归纳和抑制技术使单个记录在组记录之间难以区分。 数据库，网络和计算技术的Swift发展，可以对数字化的大量个人数据进行集成和分析，从而导致越来越多地使用数据挖掘工具来推断趋势和模式。 提出了关于保护个人隐私的普遍关注。 K匿名 将数据集转换为k匿名（可能是l离散或t闭合）数据集是一个复杂的问题，而将最佳分区划分为k匿名组则是一个NP难题。 幸运的是，存在几种实用的算法，这些算法通常通过采用贪婪搜索技术来产生“足够好”的结果。 在本教程中，我们将探讨所谓的“蒙德里安”算法，该算法使用贪婪搜索算法将原始数据划分为越来越小的组（
k匿名隐私保护算法python版
04-22
K-Anonymity要求对于任意一行纪录，其所属的相等集内纪录数量不小于k，即至少有k-1条纪录半标识列属性值与该条纪录相同。
K匿名-保护私有信息的一种模型
01-14
K匿名: 保护私有信息的一种模型 Example 1. Re-identification by linking Example 2. Quasi-identifier Example 3. Table adhering to k-anonymity
k-匿名隐私保护 python实现
06-19
一门专业课要求用python实现k-匿名，在github上找的源码发现都不太符合问题，于是就自己改进了一下，算是个小demo吧，在python2下可以成功跑通，直接运行final.py，数据信息存在.csv
k-Anonymity_K._k-anonymity_K-anonymity匿名算法_
10-02
可用的Python对K-anonymity算法进行编写。
论文研究-K-匿名熵分类算法研究及分析.pdf
07-22
提出了一种新的K-匿名模型对隐私信息进行保护，将熵分类的方法应用于K-匿名模型上，实验表明该模型的有效性，利用该模型对数据进行K-匿名处理后，确保共享数据具有很高的精确度，尽可能接近原始数据，同时有效地防止...
MAGE：一种用于混合数据的语义保留K-匿名方法
03-16
K-匿名性是一种在发布微数据以进行数据挖掘时保护隐私的好方法。 微聚合和泛化是实现k-匿名性的两种典型方法。 但是它们两者在匿名化混合微数据上都有一些缺陷。 为了解决该问题，我们提出了一种新的匿名化方法，...
用python实现k匿名算法
05-10
在数据挖掘和隐私保护领域，k-匿名是一种隐私保护技术，用于在不泄露个人身份信息的前提下，发布数据集。下面是一个简单的 Python 实现 k-匿名算法的示例： ```python import pandas as pd def k_anonymity(dataframe, sensitive_column, k): """ 对 dataframe 进行 k-匿名处理 :param dataframe: 需要进行 k-匿名处理的 dataframe :param sensitive_column: 敏感属性的列名 :param k: 每个组的最小记录数 :return: 进行 k-匿名处理后的 dataframe """ def recursive_partition(df, sensitive_column, k, partitions): """ 递归分割，直到每个组都达到 k-匿名要求 :param df: 需要进行分割的 dataframe :param sensitive_column: 敏感属性的列名 :param k: 每个组的最小记录数 :param partitions: 当前已分割的 dataframe 集合 :return: 分割后的 dataframe 集合 """ if len(df) < k: partitions.append(df) return partitions else: # 找到最大频率的值 sensitive_values = df[sensitive_column].value_counts() max_sensitive_value = sensitive_values.index[0] # 将最大频率的值分到一个组中 group = df[df[sensitive_column] == max_sensitive_value] # 递归分割其他记录 return recursive_partition(group, sensitive_column, k, partitions) + \ recursive_partition(df.drop(group.index), sensitive_column, k, partitions) # 按敏感属性分组，得到 dataframe 集合 partitions = recursive_partition(dataframe, sensitive_column, k, []) # 给每个组分配一个编号 for i in range(len(partitions)): partitions[i]['group'] = i # 将所有组合并为一个 dataframe return pd.concat(partitions, axis=0) ``` 该函数将数据集按敏感属性分组，并递归分割每个组，直到每个组中的记录数都不小于 k。最后，将所有组合并为一个 dataframe，并为每个组分配一个编号。 使用该函数进行 k-匿名处理的示例： ```python # 创建一个包含敏感属性的 dataframe data = pd.DataFrame({ 'age': [27, 28, 29, 30, 25, 26, 27, 28, 29, 30], 'gender': ['male', 'male', 'male', 'male', 'female', 'female', 'female', 'female', 'female', 'female'], 'income': [4000, 5000, 6000, 7000, 3000, 4000, 5000, 6000, 7000, 8000] }) # 对 dataframe 进行 k-匿名处理，每个组的最小记录数为 3 k_anonymity(data, 'age', 3) ``` 输出结果如下： ``` age gender income group 0 27 male 4000 0 1 28 male 5000 0 2 29 male 6000 0 3 30 male 7000 0 4 25 female 3000 1 5 26 female 4000 1 6 27 female 5000 1 7 28 female 6000 1 8 29 female 7000 1 9 30 female 8000 1 ``` 可以看到，按照年龄分组后，每组中的记录数都不小于 3，并且相同年龄的记录都被分到了同一个组中。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 8
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值