基于聚类的增强L-多样性模型实现算法  

L-diversity Model Implementation Based on Improved Clustering Algorithm

作　　者：杨静[1] 原永滨[1,2] 于旭[3] 

机构地区：[1]哈尔滨工程大学计算机科学与技术学院,哈尔滨150001 [2]福州大学电气工程与自动化学院,福州350108 [3]青岛科技大学信息科学与技术学院,山东青岛266001

出　　处：《小型微型计算机系统》2014年第8期1848-1851,共4页Journal of Chinese Computer Systems

基　　金：国家自然科学基金项目(61073041;61073043;61370083)资助;黑龙江省自然科学基金项目(F200901)资助;福建省自然科学基金项目(2011J1296)资助;高等学校博士学科点基金项目(20112304110011;20112304110012)资助

摘　　要：传统l-多样性模型实现方法或者效率较低,或者信息损失较大,针对这种不足,提出一种改进的基于聚类的l-多样性模型实现算法.该算法首先计算准标识符集合中各属性的方差,其次根据方差确定不同属性在数据相似性计算中的权重,再次根据数据之间的相似性进行约束聚类,最后对同一簇数据进行数据概化,实现l-多样性模型.仿真实验结果表明本文算法可以以较小的数据信息损失和较快的运行效率实现l-多样性模型.As traditional l-diversity models implementation is always with a lower efficiency or with a greater loss on information, this paper proposes an l-diversity model implementation based on improved clustering algorithm. The algorithm firstly calculates the vari- ance of each attribute in the quasi-identifier attribute class. Secondly, the algorithm determines the weights of each attribute in data similarity calculation according to the variance. Thirdly, it performs constrained clustering based on the similarity among the data. Fi- nally, the algorithm carries out data generalization on each data cluster and implements the l-diversity model. The simulation experi- ments results show that the proposed algorithm can achieve l-diversity model with a smaller data loss and faster operational efficiency.

关 键 词：隐私保护 l-多样性模型 数据相似性 约束聚类 数据概化 

分 类 号：TP309[自动化与计算机技术—计算机系统结构]