基于贝叶斯网络高维感知数据本地差分隐私保护发布方法技术

基于贝叶斯网络高维感知数据本地差分隐私保护发布方法，每个用户持有自己的原始数据，首先在用户端对数据进行本地化隐私处理，后将处理后的数据发送至中心端，中心服务器对所有用户的数据基于贝叶斯网络进行相关性开采，用低维数据的联合概率分布来近似所有属性的联合分布，最后根据低维联合概率分布和贝叶斯网络结构合成新的数据集并发布；解决高维感知数据的属性关联与本地隐私保护需要相结合的难题，该方法不仅解决了高维给本地隐私保护带来的数据规模大和信噪比低的难题，同时也使得本地隐私保护对高维数据相关性识别的准确性问题可以通过参数设置来进行控制。

Local differential privacy protection and publishing method of high-dimensional perceptual data based on Bayesian network

【技术实现步骤摘要】
基于贝叶斯网络高维感知数据本地差分隐私保护发布方法
本专利技术属于隐私保护
，具体涉及一种基于贝叶斯网络的高维数据本地差分隐私保护发布方法。
技术介绍
随着智能设备的发展，越来越多的传感器，集成于智能手机、手表等移动设备上，信息的获取日益便捷，移动群智感知系统也应运而生。群智感知系统采集不同类型的数据，经过后期的比较与分析，产生更为有用的信息来反馈给用户。在此采集，汇聚与发布的过程中，用户的隐私信息极易暴露。在这种分布式的高维数据场景中，现有隐私保护技术的作用十分有限。一般而言，其隐私保护的难点主要体现在以下两个方面：1)移动群智感知系统的网络环境、工作机制及参与群体决定了系统中传输数据的高维性，而高维数据间复杂的属性关联又增加了隐私暴露的风险。关联属性在变化时，具有同时性，会增加统计查询的敏感度，即在相同隐私保护程度下，数据添加的噪声变大，数据效用性降低。2)分布式的环境使得数据的传输过程中隐私暴露的可能增大，即使有人说可以使用端到端的加密，但群智感知的任务发布是面向大众的，统一的加密技术相对来说是透明的，无用的。虽然目前关于高维数据发布的研究已有不少，但大部分都是基于集中式本文档来自技高网...

【技术保护点】
1.基于贝叶斯网络高维感知数据本地差分隐私保护发布方法，其特征在于，具体包括以下步骤：步骤1，本地数据处理：用户在本地端将原始数据转换为二进制串

【技术特征摘要】
1.基于贝叶斯网络高维感知数据本地差分隐私保护发布方法，其特征在于，具体包括以下步骤：步骤1，本地数据处理：用户在本地端将原始数据转换为二进制串对二进制串的每个比特位进行随机化应答处理，然后将翻转后二进制串发送给中心服务器；步骤2，属性相关性建模：中心服务器接收用户的噪声化比特串后，根据比特串信息构建贝叶斯网络，来表示高维属性间的相关性；本步骤具体做法是：步骤2-1)，贝叶斯网络初始化：初始化贝叶斯网络N为已选取属性节点集合S为步骤2-2)，初始节点选取：首先应用期望最大化估计算法计算所有属性的先验概率，然后根据各属性的熵值来选择属性作为贝叶斯网络的初始节点，并更新网络N和集合S；步骤2-3)，AP对候选集列举：对于和将(X,Π)存入AP对候选集Ω中，其中k为贝叶斯网络的度；步骤2-4)，AP对联合概率求解：应用期望最大化估计算法，计算Ω中所有AP对(X,Π)中属性的联合概率分布；步骤2-5)，AP对选取：根据联合概率分布计算所有AP对(X,Π)的互信息，选取互信息取值最大的属性对(Xi,Πi)，添加至网络N中，并将Xi存入S中；步骤2-6)，更新贝叶斯网络：重复上述2-3)到2-5)的过程，直至依次选完所有属性节点，即可得到完整的贝叶斯网络N；步骤3，数据集合成：根据贝叶斯网络及关联属性间的条件概率分布独立采样每个属性，从而合成新的数据集。2.根据权利要求1所述的基于贝叶斯网络高维感知数据本地差分隐私保护方法，其特征在于，所述的步骤1，其具体操作为：假设共有N个用户，对于用户i，有一条包含d个属性的原始记录，记作对于每个属性Aj，其阈值大小为|Ωj|，通过对比原始数据与属性候选集Ωj确定该值所在顺序位置loc，将长度为|Ωj|二进制串的第loc位置为1，其余比特位置0；然后在中的每个比特位将按以下公式随机赋值：其中，j＝1,2,...,d，b＝1,2,...,|Ωj|，f∈(0,1)是随机翻转概率；最后用户i将每个属性上的翻转后比特串衔接起来得到一个位的比特向量并将其发送到中心服务器，此时认为该比特向量已经具有本地隐私保护。3.根据权利要求1所述的基于贝叶斯网络高维感知数据本地差分隐私保护方法，其特征在于，所述步骤2-2)中每个属性的熵值的求...

【专利技术属性】
技术研发人员：杨树森，徐静怡，惠永昌，
申请(专利权)人：江苏慧中数据科技有限公司，
类型：发明
国别省市：江苏,32