计算机应用研究

作者：叶欣欣,杨高明,方贤进,施雨,

单位：安徽理工大学计算机科学与工程学院,安徽淮南232001；

关键词：ε-差分隐私,SOM神经网络,聚类分析,数据发布,

基金：国家自然科学基金面上项目(61572034)；安徽省高校自然科学基金资助项目(KJ2019A0109,KJ2018A0084)；安徽省科技重大专项资助项目(18030901025)；数据科学与智慧软件江苏省重点实验室开放基金资助项目(2019DS303)；安徽省自然科学基金资助项目(2008085MF220)；；

差分隐私模型具有强大的隐私保护能力，但是也存在数据效用低等问题。为提高数据可用性并保护数据隐私，提出一种基于SOM网络的差分隐私算法（SOMDP）。首先利用SOM网络模型对数据进行聚类操作；其次，对每个划分好的聚类添加满足差分隐私的拉普拉斯噪声；最后，理论分析算法的可行性，并在真实数据集上评估SOMDP算法性能、算法的数据可用性和隐私性能。实验结果表明，SOMDP在达到差分隐私要求的前提下，可较大程度地提高差分隐私数据发布的效用。

来源：2021年第4期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2021年第4期