差分隐私模糊聚类位置保护方法

针对现有差分隐私聚类位置保护方法存在初始值敏感、离散数据不适用、误差较大的问题,文中提出了一种差分隐私模糊聚类位置保护方法。首先,通过高斯核函数将点映射到特征空间,由于核函数计算量相对较小,计算效率有了显著提升;然后,将差分隐私与改进的模糊C均值聚类算法相结合,使得每一组输入数据不再仅隶属于某一特定的类,而是以隶属程度来表现;最后,文中将满足差分隐私约束的拉普拉斯噪声添加到聚类集合的质心点中,得到每个点的扰动位置,并使用扰动位置进行查询。实验结果表明,在保障位置隐私安全的前提下,差分隐私模糊聚类位置保护方法降低了查询误差,提升了算法效率。