最优聚类的k-匿名数据隐私保护机制

基于聚类的k-匿名机制是共享数据脱敏的主要方法，它能有效防范针对隐私信息的背景攻击和链接攻击。然而，现有方案都是通过寻找最优k-等价集来平衡隐私性与可用性.从全局看，k-等价集并不一定是满足k-匿名的最优等价集，隐私机制的可用性最优化问题仍然未得到解决.针对上述问题，提出一种基于最优聚类的k-匿名隐私保护机制.通过建立数据距离与信息损失间的函数关系，将k-匿名机制的最优化问题转化为数据集的最优聚类问题；然后利用贪婪算法和二分机制，寻找满足k-匿名约束条件的最优聚类，从而实现k-匿名模型的可用性最优化；最后给出了问题求解的理论证明和实验分析.实验结果表明该机制能最大程度减少聚类匿名的信息损失，并且在运行时间方面是可行有效的.