[发明专利]一种缺失数据的匿名方法、存储介质

说明书

本发明提供一种缺失数据的匿名方法、存储介质，包括：设置聚类参数k；设置l‑多样性模型参数l；根据数据集中的数据记录的相似度判定值、l‑多样性模型参数和聚类参数对数据集中的所有数据记录进行聚类，将数据集分为多个聚类簇分组，获取具有多个聚类簇的数据集合；对数据集合中的每个聚类簇分组进行泛化处理，各聚类簇泛化得到等价类，得到的等价类中，同一等价类内的数据记录在准标识符属性上的取值相同，完成匿名处理。该方法对不完整数据集的处理最大程度上保障匿名化处理后数据的可用性，减少传统匿名方法带来的信息损失，同时满足l‑diversity保护与用户相关的敏感属性，提高数据集匿名化处理的安全性。

技术领域

本发明涉及一种缺失数据的匿名方法，尤其涉及一种在数据集中含有不完整数据时的匿名方法。

背景技术

随着大量信息的传播与共享，给社会的发展以及人们的生活带来便利的同时，也增加了隐私信息泄露的风险。虽然在发布数据时会把显示标识符(例如姓名、身份证号、信用卡号等)消除，但是攻击者能通过多个数据集进行链接攻击，仍然会造成一定的隐私泄露。数据发布匿名技术中的k-匿名及其一系列优化方案已经得到广泛研究并应用于数据发布的匿名保护中。这些方法减少了概化带来的信息损失，但同时会增加隐私泄露的风险。现有的数据匿名技术在处理数据时，会把含有缺失值的记录删除掉，导致数据集中的其他信息丢失，造成过度的数据缺损。

根据某三甲医院的八十万份体检记录可知，其中超过一半的记录中包含有缺失的属性。传统的匿名技术在数据处理中去除医学数据集中包含的不完整记录，造成了信息的过度丢失，影响了数据集的正常使用。

发明内容

本发明提供一种缺失数据的匿名方法，以解决现有技术存在的问题。

为解决上述技术问题，本发明采用以下技术方案：

一种缺失数据的匿名方法，包括：

设置聚类参数k；

设置l-多样性模型参数l；

根据数据集中的数据记录的相似度判定值、l-多样性模型参数和聚类参数对数据集中的所有数据记录进行聚类，将数据集分为多个聚类簇分组，获取具有多个聚类簇的数据集合；

对数据集合中的每个聚类簇分组进行泛化处理，各聚类簇泛化得到等价类，得到的等价类中，同一等价类内的数据记录在准标识符属性上的取值相同，完成匿名处理。

所述数据记录的相似度判定值包括：

聚类簇与数据集中的其中一条数据记录之间的第一距离值；

当前聚类簇与完成划分的聚类簇之间的第二距离值。

所述根据数据集中的不同数据记录之间的相似度、l-多样性模型参数和聚类参数对数据集中的所有数据记录进行聚类的方法包括：

从数据集中选取一个数据记录，作为初始化聚类簇；

对当前聚类簇，如果该聚类簇中的数据记录数目少于聚类参数k，或者不同敏感属性值的个数小于l-多样性模型参数l，则：

获取当前聚类簇与数据集中的各数据记录之间的第一距离值，获取具有最小第一距离值的数据记录；

获取该当前聚类簇与完成划分的聚类簇之间的第二距离值，获取具有最小第二距离值的聚类簇；

如果最小第一距离值不大于最小第二距离值，将获取的具有最小第一距离值的数据记录合并至当前聚类簇，继续聚类簇的划分；

当聚类簇内数据记录数目不小于k、并且不同敏感属性值个数不少于l时，即完成一个聚类簇的划分，继续下一聚类簇的划分；

直到数据集中的数据记录数目少于k、或数据不同敏感属性值个数少于l时，完成聚类簇的划分；