基于平滑聚类的差分隐私数据自动脱敏仿真

摘要

传统隐私数据保护方法忽略了采取最小准则调整隐私预判,导致保护隐私数据效率低、精准低等问题,提出基于平滑聚类的差分隐私数据自动脱敏方法.对数据采取平滑聚类计算,将不确定数据点重新还原固定信息,并划分到合适的簇.构建差分隐私模型,通过差分隐私机制引入噪声,将干扰后的数据重组后传送给用户,降低敏感数据外泄几率.使用基于BIRCH的差分隐私数据自动脱敏方法,采取最小准则调整隐私预判,对发布的CF树进行加噪.根据计算所得的节点搜索概率,对节点使用隐私预判分配.同时运用线性回归与迭代解决方法中存在的不一致约束性问题,实现数据自动脱敏.仿真结果表明,所提方法能高效地保护隐私数据,保护数据信息稳定性强,且实用性较高.