【转】数据挖掘算法之k-匿名算法

原文链接：https://blog.csdn.net/Mrs_Wu/article/details/79658281   

 k-匿名攻击存在着同质化攻击和背景知识攻击两种缺陷。所谓同质化攻击是指某个k-匿名组内对应的敏感属性的值也完全相同，这使得攻击者可以轻易获取想要的信息。而背景知识攻击是指即使k-匿名组内的敏感属性值并不相同，攻击者也有可能依据其已有的背景知识以高概率获取到其隐私信息。

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。

   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重复出现k次。在II运算符下，有相同QI值的所有记录组成一个匿名组。对于一个给定的k，每一个这样的匿名组都是一个k-匿名组或者叫做一个等价类。

    匿名化技术可以实现上述的k-匿名，概化和抑制是最常见的两种方法。所谓的概化是指对数据进行更加概括、抽象的描述，而抑制则是指不发布某些数据项。对下表中的数据进行概化：

原文链接：https://blog.csdn.net/Mrs_Wu/article/details/79658281