文獻(xiàn)標(biāo)識(shí)碼: A
DOI:10.16157/j.issn.0258-7998.2016.12.030
中文引用格式: 吳響,臧昊,俞嘯. 基于抽樣路徑的K-匿名隱私保護(hù)算法[J].電子技術(shù)應(yīng)用,2016,42(12):115-118.
英文引用格式: Wu Xiang,Zang Hao,Yu Xiao. K-anonymous privacy protection algorithm based on the sampling path[J].Application of Electronic Technique,2016,42(12):115-118.
0 引言
K-匿名[1]是一種簡單而有效的隱私保護(hù)模型,實(shí)施K-匿名要考慮兩個(gè)方面:(1)確保數(shù)據(jù)發(fā)布過程中隱私不泄露;(2)發(fā)布的匿名數(shù)據(jù)具有實(shí)用性。
基于以上兩個(gè)要求,眾多學(xué)者提出了許多匿名算法。但大體上可以分為全域泛化算法[2]和局域泛化算法[3]。相比之下,局域泛化算法不僅可以實(shí)現(xiàn)K-匿名,而且一定程度上降低了匿名表的信息損失,使得泛化后的數(shù)據(jù)集更具有可用性。
然而,在局域泛化中想要尋找最優(yōu)K-匿名已經(jīng)被證明是NP難問題[4],如何優(yōu)化K-匿名算法、盡可能提高數(shù)據(jù)的可用性成為亟待解決的問題。因此,本文提出了一種基于抽樣路徑的局域K-匿名算法——SPOLG(Sampling Path Optimization Local Generalization)算法。
SPOLG算法將等概率抽樣的思想引入其中,選取足夠的樣本代替總體尋找泛化路徑,在已經(jīng)尋找到的路徑基礎(chǔ)上對(duì)數(shù)據(jù)集進(jìn)行局域泛化。等概率抽樣選擇的樣本能夠代表數(shù)據(jù)集總體的分布情況,通過樣本尋徑快速找到信息損失較小的泛化路徑,極大地提高了算法效率。同時(shí),該算法采用的局域泛化技術(shù)保證了發(fā)布的數(shù)據(jù)集具有較高的可用性。
1 基本符號(hào)和定義
1.1 K-匿名相關(guān)定義
在實(shí)現(xiàn)SPOLG算法的過程中,以表1為例對(duì)基于抽樣泛化路徑的K-匿名算法進(jìn)行相關(guān)定義。假設(shè)數(shù)據(jù)發(fā)布者所持有的數(shù)據(jù)表為T(A1,A2,…,An),表中每條元組指明一個(gè)特定實(shí)體的相關(guān)信息,如年齡、工作、種族、性別、工作時(shí)長、工資(敏感屬性)等。
1.2 SPOLG算法相關(guān)定義
定義2 系統(tǒng)抽樣:將數(shù)據(jù)集中的元組按照ID排序,隨機(jī)選取一條元組作為起點(diǎn),每隔一定的間隔抽取一個(gè)元組,直至樣本數(shù)量滿足事先給定的抽樣率。
定義3 抽樣泛化路徑:以泛化格的根節(jié)點(diǎn)為起點(diǎn),計(jì)算其子節(jié)點(diǎn)對(duì)樣本泛化后的信息損失量,將信息損失量最小子節(jié)點(diǎn)插入路徑,自底向上,直至泛化格葉子節(jié)點(diǎn)。
例如:圖1中,若用<W1,R0>這個(gè)節(jié)點(diǎn)泛化樣本比<W0,R1>泛化樣本信息損失小,則選取<W1,R0>為路徑的第2個(gè)節(jié)點(diǎn),以此類推。如<W0,R0>→<W1,R0>→<W1,R1>→<W2,R1>這條路線是一條可能的抽樣泛化路徑。
定義4 抽樣尋徑時(shí)間占比:由抽樣數(shù)據(jù)產(chǎn)生抽樣泛化路徑所花費(fèi)的時(shí)間SP在整個(gè)算法流程中的百分比。假設(shè)整個(gè)算法花費(fèi)的時(shí)間為SA,則其計(jì)算公式為:
2 算法實(shí)現(xiàn)
2.1 算法實(shí)現(xiàn)
本文提出的一個(gè)基于抽樣路徑的局域泛化算法——SPOLG算法,引進(jìn)了等概率抽樣的思想,以系統(tǒng)抽樣樣本代替數(shù)據(jù)集尋找泛化路徑,具體算法如下:
輸入:輸入表T,準(zhǔn)標(biāo)識(shí)符集合QI,等價(jià)類約束k以及抽樣率α。
輸出:滿足K-匿名的數(shù)據(jù)集T″。
(1)抽取樣本
(2)尋找抽樣泛化路徑
函數(shù):path(QI,T′)
/*QI為準(zhǔn)標(biāo)識(shí)符集,T′表示抽樣數(shù)據(jù)集*/
Begin
①通過QI形成泛化格G;
②將泛化格G的第0層節(jié)點(diǎn)n0作為路徑P的起點(diǎn)P0;
③通過泛化格找到n1直接泛化的節(jié)點(diǎn),計(jì)算這些節(jié)點(diǎn)泛化T′所得到的信息損失量,選出泛化數(shù)據(jù)集T′信息損失量最小的節(jié)點(diǎn)n2作為路徑P的第二個(gè)節(jié)點(diǎn)P1;
④重復(fù)步驟②直至到達(dá)泛化格G的頂點(diǎn)ni作為路徑的終點(diǎn)Pi得到路徑P;
⑤返回路徑P;
End
(3)匿名化數(shù)據(jù)表
移除T中滿足K-匿名的元組;
結(jié)束循環(huán);
⑤返回?cái)?shù)據(jù)表;
End
由以上步驟可知,該算法主要包括系統(tǒng)抽樣、尋找路徑、 匿名化數(shù)據(jù)集3個(gè)主要環(huán)節(jié),利用系統(tǒng)抽樣選取樣本,在已選擇的樣本中尋找信息損失較低的泛化路徑,由已選路徑對(duì)數(shù)據(jù)集進(jìn)行局域泛化。從路徑起點(diǎn)開始,自底向上對(duì)不滿足K-匿名的元組進(jìn)行泛化,直到所有元組滿足K-匿名。
2.2 算法合理性分析
本文算法使用系統(tǒng)抽樣,能夠保證每個(gè)元組被抽取概率相同,通過等概率抽樣樣本快速尋找到信息損失較低的泛化路徑,使得數(shù)據(jù)集整體泛化后的信息損失較小。同時(shí),局域泛化進(jìn)一步保證了匿名后的數(shù)據(jù)集信息損失小,因此本算法是可行的。
3 實(shí)驗(yàn)驗(yàn)證及結(jié)果分析
3.1 實(shí)驗(yàn)環(huán)境
本文使用了UCI Machine Learning Repository中的Adults數(shù)據(jù)集作為實(shí)驗(yàn)數(shù)據(jù)集,Adult數(shù)據(jù)集是由美國人口普查數(shù)據(jù)構(gòu)成,采用數(shù)據(jù)集中的訓(xùn)練集,并去除缺省值記錄,共有30 162條記錄,本文選取7個(gè)屬性作為準(zhǔn)標(biāo)識(shí)符屬性,包括性別、種族、婚姻狀況、教育程度、工作、國籍、年齡,各屬性預(yù)定義的泛化規(guī)則參考文獻(xiàn)[5]。實(shí)驗(yàn)平臺(tái)配置為:Core 2.50 GHz/8 GB,Windows 7,所涉代碼均由Java實(shí)現(xiàn),并在Eclipse Mars.2 Release(4.5.2)上運(yùn)行。實(shí)驗(yàn)數(shù)據(jù)都是在實(shí)驗(yàn)運(yùn)行5次所得到的實(shí)驗(yàn)數(shù)據(jù)基礎(chǔ)上取得的平均值。
3.2 實(shí)驗(yàn)結(jié)果分析
實(shí)驗(yàn)主要從信息損失度及執(zhí)行時(shí)間方面對(duì)本文算法進(jìn)行衡量。本實(shí)驗(yàn)選用Incognito算法作為對(duì)比算法,比較了在不同個(gè)數(shù)的準(zhǔn)標(biāo)識(shí)符和不同k值條件下信息損失度和執(zhí)行時(shí)間的變化。其中信息損失度采用文獻(xiàn)[6]的計(jì)算方法。
元組的信息損失量:
3.2.1 數(shù)據(jù)抽樣分析
尋徑時(shí)間占比通過式(1)進(jìn)行計(jì)算,信息損失量依據(jù)公式(2)、(3)來度量,由圖2、圖3可知,當(dāng)|QI|一定時(shí),隨著采樣率的增加,抽樣尋徑時(shí)間占比均有大幅度上升,然而信息損失量的波動(dòng)幅度較小,故可使用較小的采樣率;同時(shí)因抽樣率越大越符合數(shù)據(jù)集的分布,故要使用足夠數(shù)量的樣本代表數(shù)據(jù)集。綜合以上所述,本文以下實(shí)驗(yàn)均采用1%的抽樣率。
3.2.2 信息損失量分析
圖4為準(zhǔn)標(biāo)識(shí)符屬性個(gè)數(shù)|QI|=7,k取5/10/15/20/25/50時(shí),SPOLG算法和Incognito算法匿名化數(shù)據(jù)集信息損失量的比較。由圖4知,執(zhí)行SPOLG算法和Incognito算法產(chǎn)生的信息損失量隨k值的增加而增加,這是由于k值變大時(shí),每個(gè)等價(jià)類所含元組數(shù)量增多,數(shù)據(jù)集泛化程度變大,故IL增大。但隨k值的變大,SPOLG算法信息損失IL增加幅度較小。其原因在表3中可以清晰看出,元組前三步泛化比例達(dá)50%以上,由此可知數(shù)據(jù)集中的大部分元組都只經(jīng)過一次泛化,因此泛化后的數(shù)據(jù)集信息損失IL小,隨著k值的變大IL增加較小。圖5表示當(dāng)k=10時(shí),|QL|取3/4/5/6/7,SPOLG算法與Incognito算法匿名化數(shù)據(jù)信息損失量的比較。從圖5可以看出,Incognito算法產(chǎn)生的信息損失IL呈明顯上升趨勢(shì),本文算法隨著準(zhǔn)標(biāo)識(shí)符屬性的|QI|增多信息損失IL無明顯波動(dòng)。表4中數(shù)據(jù)表明,|QI|增大時(shí),前三步泛化比例均達(dá)到60%。由此可見,數(shù)據(jù)集中的大部分元組都只經(jīng)過一次泛化,因此泛化后的數(shù)據(jù)集信息損失IL小,隨著|QI|的增加IL無明顯波動(dòng)。綜合以上所述:本文算法在信息損失方面具有明顯的優(yōu)勢(shì),發(fā)布的數(shù)據(jù)信息失真較少,可用性高。
3.2.3 時(shí)間效率分析
圖6、圖8分別表示運(yùn)行時(shí)間、k和|QI|的關(guān)系。由圖6知,當(dāng)|QI|一定時(shí),由于k值增大,泛化程度變大,產(chǎn)生的等價(jià)類數(shù)量變少,每個(gè)元組尋找等價(jià)類的時(shí)間大幅度降低。由圖7知,當(dāng)k值一定時(shí),隨著|QI|的增加,約束條件變多,等價(jià)類數(shù)量增多,每個(gè)元組尋找等價(jià)類的時(shí)間變大,所以本算法運(yùn)行時(shí)間有所增加。綜合圖6、圖7可知,本文算法在時(shí)間效率上比Incognito算法略差,但是由于信息損失量的大幅度降低,因此本算法的綜合優(yōu)勢(shì)明顯。
4 總結(jié)
本文提出一種基于準(zhǔn)標(biāo)識(shí)符屬性泛化路徑的K-匿名化算法——SPOLG算法,該算法采用等概率抽樣的方法快速尋找泛化路徑,在已找到泛化路徑的基礎(chǔ)上進(jìn)行數(shù)據(jù)集的局域泛化。實(shí)驗(yàn)結(jié)果表明,該算法泛化的數(shù)據(jù)表信息損失較小,可用性高。
參考文獻(xiàn)
[1] SWEENEY L.A model for protecting privacy[J].International Journal on Uncertainty Fuzziness and Knowledge-Based Systems,2002,10(5):557-570.
[2] SWEENY L.Achieving k-anonymity privacy protection using generalization and suppression[J].International Journal of Uncertainty,F(xiàn)uzziness and Knowledge-Based Systems:IJUFKS,2002,10(5):571-588.
[3] SWEENY L.Guaranteeing anonymity when sharing medical data:the datafly system[C].Proceedings of the 1997 AMIA Annual Fall Symposium,Journal of the American Medial Informatis,Association,AMIA,1997,4(suppl):51-55.
[4] MACHANAVAJJHALA A,GEHRKE J,KIFER D.L-diversity:Privacy beyond k-anonymity[C].Proc of the 22nd In Conference on Data Engineering.Piscataway,NJ:IEEE,2006:24-36.
[5] LI J Y,WONG C W,F(xiàn)U W C,et al.Achieving k-anonymity by clustering in attribute hierarchical structures[C].Data Warehousing and Knowledge Discovery.Springer Berlin Heidelberg,2006:405-416.
[6] 任向民.基于K-匿名的隱私保護(hù)方法研究[D].哈爾濱:哈爾濱工業(yè)大學(xué),2012.