[发明专利]基于本地差分隐私的活动时序轨迹挖掘的方法

说明书

本发明涉及数据隐私保护领域，主要是研究如何在进行个人数据收集挖掘的场景下，既能保证数据满足本地差分隐私的要求，又能保证可以从数据中挖掘出活动时序轨迹的一种基于本地差分隐私的活动时序轨迹挖掘的方法，其设有采集数据的客户端和本地客户端，采集数据的客户端在本地将采用客户端算法的原始隐私数据加噪声，使之满足隐私保护预算参数为的本地差分隐私要求，原始隐私数据会存储在本地客户端，本地客户端会从数据记录集中随机选取一对具有前后时序关系的记录，然后将其转化为时序矩阵，随后加噪处理。本发明可广泛应用于基于本地差分隐私的活动时序轨迹的挖掘。

技术领域

本发明涉及数据隐私保护领域，主要是研究如何在进行个人数据收集挖掘的场景下，既能保证数据满足本地差分隐私的要求，又能保证可以从数据中挖掘出活动时序轨迹，特别是涉及一种基于本地差分隐私的活动时序轨迹挖掘的方法。

技术背景

大数据时代的到来，使得数据成为了宝贵的资源。这主要得益于各种各样的数据挖掘方法的出现，可以从数据中挖掘出更多的潜在的信息，同时也包含着许多用户个人隐私，而挖掘的信息可分为以下三种：

1.传统差分隐私：是Dwork针对统计数据库的隐私泄露问题提出的一种新的隐私保护框架，是首个针对隐私数据提出的严格的数据隐私保护框架，并且不受攻击者的背景知识影响。

2.本地差分隐私：传统差分隐私理论框架必须要存在一个可信任的第三方数据处理中心，这使得差分隐私理论框架应用受限。为了解决这个问题，本地差分隐私要求在不存在可信任的第三方数据处理中心的假设下，用户隐私数据在收集之前在本地就直接通过添加噪音的方式达到差分隐私保护的要求，同时也保证第三方在收集到加噪数据后仍能较为准确的推断出用户的群体统计信息。

以上两者的区别在于添加噪音的是时机不同。

3.活动时序轨迹：在客户端本地发生的一系列具有先后时序关系的事件元素集合。

现有的本地差分隐私模型只能得到被采集客户端事件元素的发生频率信息，而不能得到客户端的活动时序轨迹的情况信息。

发明内容

本发明就是为了解决现有本地差分隐私模型只能得到被采集客户端事件元素的发生频率信息，而不能得到客户端的活动时序轨迹的情况信息的问题，提供了一种基于本地差分隐私的活动时序轨迹挖掘的方法，使得可以在满足本地差分隐私框架的要求下推断出用户的活动时序轨迹。

为此，本发明一种基于本地差分隐私的活动时序轨迹挖掘的方法，设有采集数据的客户端和本地客户端，该方法包括以下步骤：

步骤一：采集数据的客户端在本地将采用客户端算法的原始隐私数据加噪声，使之满足隐私保护预算参数为的本地差分隐私要求，原始隐私数据会存储在本地客户端，本地客户端会从数据记录集中随机选取一对具有前后时序关系的记录，然后将其转化为时序矩阵，随后加噪处理，具体包括如下步骤：

(一)首先需要设置以下参数的值，第一个参数为p(p0.5),该参数被称之为翻转概率，第二个参数为事件界定时间间隔dT,第三个参数为次序固定的事件数据记录集中元素个数m；

(二)随机从本地记录的事件集中选取一个元素e(Ti),并记录该事件发生的时间为Ti；

(三)随机从本地记录的事件集的[e(Ti),e(Ti+dT)]中选取另一个事件元素e(Tj)；

(四)将序列(e(Ti),e(Tj))转化为时序矩阵T，具体说明如下：

首先初始化一个m*m的矩阵，将Tij,即第i行第j列的元素置为1，即将Tij置为1，其它元素全部置为0，该矩阵即为时序矩阵，如下矩阵所示：

(五)采用随机应答的方法对时序矩阵进行加噪处理，即将每一位以概率p进行翻转，也就是0变1，1变0；