基于数据处理的数据挖掘隐私保护技术分析
大数据技术的应用及隐私保护
大数据技术的应用及隐私保护随着社会的不断进步，数据的产生量也越来越庞大，这也给传统的数据处理方式带来很大的困难。
在这种情况下，大数据技术应运而生，它可以更有效地对这些海量数据进行分析和利用，给企业发展和决策带来新的思路和机会。
一、大数据技术的应用1. 金融领域金融领域是大数据技术应用的主要领域之一。
在银行、证券、保险等机构中，通过分析大量的金融数据，可以对市场走向、风险和机会等进行有力的预测和分析。
其中，大数据技术在生成信用评分模型、识别欺诈行为和防范金融风险方面的运用已经成为金融机构的标配。
2. 医疗保健在医疗保健领域中，大数据技术提供了更好的数据分析支持，可以更准确地预测疾病的发生和传播，并通过数据挖掘和分析实现个性化治疗和精准医疗。
此外，大数据也可以为药物研发提供更加全面的数据支持，提高研发效率和降低资源浪费。
3. 市场营销市场营销是大数据技术的重要应用场景。
通过对海量用户数据的分析，可以为企业提供精准的营销决策和推广方案。
数据分析可以帮助企业更好地了解顾客的需求，预测顾客的行为，并通过个性化推荐等方式提高顾客的满意度和忠诚度。
4. 物流、交通在物流、交通领域中，通过大数据技术分析货物的流向、车辆的行驶轨迹等信息，可以优化物流运输路径、调整运力、提高物流配送效率和准确度。
同时，大数据技术也可以通过分析交通流量等数据，提高城市交通流量的控制和管理。
二、大数据技术的隐私保护随着大数据技术的发展，个人隐私逐渐在利用中暴露。
因此，大数据应用场景下的隐私保护问题就变得尤为重要。
1. 隐私保护意识企业和政府部门应该加强员工和公众的隐私保护意识。
加强教育培训，提高人们的隐私保护意识，引导他们正确处理个人信息。
此外，应该加强与个人信息相关的法律法规的宣传和普及，提高公众对隐私安全的关注度。
2. 匿名化处理在数据处理过程中，应对数据进行匿名化处理。
对于一些敏感数据，可以进行脱敏处理。
这样可以保护个人隐私不被泄露，同时兼顾数据分析和应用的需要。
社交网络中的数据挖掘及隐私保护研究
社交网络中的数据挖掘及隐私保护研究社交网络是当今世界上最为流行的网络应用之一。
人们常常借助社交网络平台进行交流、分享、娱乐等活动，使得每个人在网络上都能找到自己的社交圈，找到与自己有共同爱好和兴趣的人。
然而，在社交网络中我们不仅可以分享自己的信息，也会不知不觉地暴露自己的一些隐私，这些隐私可能会被一些不法分子所利用。
因此，社交网络中的数据挖掘和隐私保护问题引起了广泛关注。
一、社交网络中的数据挖掘社交网络平台让我们的交际变得更加便捷，方便了我们和他人之间的连接和交流。
然而，在海量的交际和交流信息中，我们可以挖掘出很多有用信息。
数据挖掘技术可以通过对社交网络平台上的各种信息进行深度挖掘，找到潜在的相关性或潜在的影响力。
在社交网络中，我们可以使用数据挖掘技术来做以下事情：1、推荐算法推荐算法是一种基于用户行为和历史数据，对用户进行商品或服务推荐的技术。
在社交网络平台上，通过对用户行为和历史数据的分析，可以向用户推荐朋友、兴趣、产品等。
例如，Facebook会向你推荐“你可能认识的人”，很多网站会向你推荐你可能想要购买的商品等。
2、情感分析情感分析是指通过对文本、音频、图片等信息的分析，发现其中蕴含的情感信息。
在社交网络中，情感分析可以帮助我们分析用户发布的内容是否具有积极的、消极的或中性的情感，了解用户的情感状态和生活方式。
例如，分析用户在社交网络中发表的言论是否积极向上，或者是负面的。
3、社交网络分析社交网络分析是一种通过网络拓扑结构发现不同人群之间的关联、交集、群体动态等知识的技术。
在社交网络中，社交网络分析可以帮助我们了解用户之间的关系、用户群体的特点和行为习惯等信息。
例如，我们可以分析某些人在社交网络中频繁互动，判断他们之间是否存在某种关系，进而发掘他们之间的共同点。
二、社交网络中的隐私保护随着社交网络的发展，越来越多的人使用社交网络平台来与其他人进行互动。
然而，这种便利性是以用户隐私为代价的。
基于大数据的数据挖掘和分析方法研究
基于大数据的数据挖掘和分析方法研究在信息时代，数据积累迅速，对于数据处理的需求也变得越来越强烈。
数据挖掘和分析就是一种利用数学、计算机科学、统计学等方法，从大规模的数据中提取出有用的信息的技术。
而基于大数据的数据挖掘和分析方法更是为数据挖掘和分析提供了更广阔的空间和更精密的工具。
近年来，随着互联网的不断发展，产生了海量的数据，传统的数据分析方法显得无能为力。
此时，基于大数据的数据挖掘和分析方法应运而生。
大数据技术可以挖掘数据的真实价值，协助企业或个人进行更加精确地决策。
而在大数据技术的支持下，数据挖掘和分析的应用场景也在不断拓展。
一、基于大数据的数据挖掘和分析方法大数据技术一般包括数据处理和分析两个方面。
数据处理主要是指从数据源中提取数据，并进行清洗、预处理和存储。
而数据分析则是针对数据进行一系列的分析操作，提取出有用信息。
在大数据技术支持下，数据挖掘和分析的方法有以下几种类型：1.关联规则挖掘：通过发现数据集中的相互关联和依赖关系，以及研究这些关联和依赖关系，从而识别出有趣的关联规则。
2.聚类分析：聚类分析是将一组具有相似特征的数据对象划分到同一组中，同时将不同组之间具有较大差异的数据对象分开，通过研究分类结果进行对数据的理解与解释。
3.分类分析：是通过训练样本，来创建分类模型，然后通过实时数据的判断，将某个数据对象划分到分类模型中。
4.时间序列分析：是通过分析某个数据对象在时间上的变化，确定该数据对象的走势和变化规律，同时借此预测未来的发展趋势。
二、数据挖掘和分析的应用场景基于大数据的数据挖掘和分析可以应用于各种领域。
在商业领域，可以通过大数据挖掘和分析实现更加精准的营销策略，帮助企业快速发现市场机会。
在金融领域，可以通过数据挖掘和分析实现比传统方法更准确的风险控制和投资建议。
在医疗领域，可以通过数据挖掘和分析实现更加精准的疾病诊断和治疗方案。
例如，在金融领域，大数据技术已经成为了风险控制的重要工具。
大数据环境下的数据挖掘与分析技术研究
大数据环境下的数据挖掘与分析技术研究在大数据时代，数据的积累和分析成为了企业和机构的重要任务。
数据挖掘与分析技术就是在大数据环境下进行数据处理和提取有用信息的关键技术。
本文将深入探讨大数据环境下的数据挖掘与分析技术，并分析其研究进展和应用场景。
一、大数据环境下的数据挖掘技术研究1. 数据预处理技术大数据环境下的数据往往是庞大而复杂的，包含噪声和缺失值。
数据预处理技术主要包括数据清洗、数据集成、数据变换和数据规约。
数据清洗用于处理噪声和异常值，数据集成用于将多个数据源的数据进行整合，数据变换用于将数据转换为可分析的形式，数据规约用于减少数据集的大小。
2. 数据挖掘算法数据挖掘算法是大数据环境下进行数据分析的核心。
常用的数据挖掘算法包括关联规则挖掘、分类与预测、聚类分析和异常检测等。
关联规则挖掘用于发现数据集中的关联关系，分类与预测用于根据已有数据来预测未知数据的属性，聚类分析用于将数据集中的对象分成不同的群组，异常检测用于发现与其他对象不同的数据。
3. 数据可视化技术数据可视化技术用于将大数据转化为图表、图形和动画等，便于人们理解和分析数据。
在大数据环境下，数据量庞大，通过可视化技术可以直观地展示数据的模式和趋势，帮助用户发现隐藏在数据中的模式和规律。
二、大数据环境下的数据分析技术研究1. 基于模型的数据分析基于模型的数据分析通过建立数学模型来描述数据之间的关系，然后利用模型进行数据分析和预测。
常用的模型包括回归模型、时间序列模型和神经网络模型等。
通过模型分析，可以揭示数据之间的潜在关系和规律。
2. 数据挖掘与业务智能的结合大数据环境下的数据分析不仅要关注数据本身的分析，还要与业务智能进行结合，从而为决策提供更加准确和可靠的依据。
数据挖掘和业务智能的结合可以帮助企业和机构实现更好的业绩和竞争优势。
3. 文本分析与情感分析大数据环境下的数据不仅包括结构化数据，还包括非结构化数据，如文本、语音和图像等。
基于大数据分析的隐私信息保护系统设计与实现
02
将数据分散存储在多个节点上，提高数据处理效率和安全性。
数据预处理技术
03
对原始数据进行清洗、去重、转换等操作，为后续分析提供高
质量的数据集。
隐私信息保护技术
加密技术
通过加密算法对敏感数据进行加密，确保数据在传输和存储过 程中的安全性。
匿名化技术
对个人数据进行脱敏处理，隐藏个人真实身份信息，保护隐私 。
01
加密算法
对数据进行加密处理，如对称加密算 法、非对称加密算法等。
02
03
访问控制算法
对数据访问进行权限控制，如基于角 色的访问控制（RBAC）、基于属性 的访问控制（ABAC）等。
大数据分析算法实现
01
聚类分析
将数据按照相似性分组，如kmeans聚类算法、层次聚类算 法等。
02
关联规则挖掘
03
2
隐私信息泄露事件频繁发生，给个人、企业甚 至国家带来了不可估量的损失。
3
针对这一问题，本研究旨在设计并实现一个基 于大数据分析的隐私信息保护系统，以保护用 户隐私信息不被泄露或滥用。
研究内容与方法
01
研究内容：本研究的主要内容 包括以下几个方面
02
1. 研究大数据分析技术及其在 隐私信息保护领域的应用；
数据归一化
将数据按比例缩放，使之落入一个 小的特定区间，如将数据缩放到 [0,1]区间。
数据转换
将数据从一种格式或结构转换为另 一种，如将文本数据转换为数值型 数据。
数据离散化
将连续型数据转换为离散型数据， 如将年龄字段转换为年龄段字段。
隐私信息保护算法实现
匿名化算法
对数据进行匿名处理，如k-匿名算法、l-多样性和t-接近 性算法等。
大数据环境下隐私保护的现状分析
大数据环境下隐私保护的现状分析随着大数据时代的到来，数据成为了重要的生产要素和战略资源。
然而，随着数据收集、存储和使用方式的快速发展，个人隐私保护问题也日益突出。
如何在大数据环境下保护个人隐私，已成为当前亟待解决的问题之一。
本文将分析大数据环境下隐私保护的研究现状，探讨面临的挑战以及未来的发展趋势。
一、隐私保护技术1. 匿名化匿名化是一种常见的隐私保护技术，通过删除或替换敏感信息，将个人数据转化为无法识别个体的形式。
目前，匿名化技术已广泛应用于数据发布和共享等领域。
2. 加密加密技术通过将敏感信息转化为密文形式，保护个人数据的隐私。
其中，同态加密允许在不解密的情况下对数据进行计算和处理，提高了数据处理效率。
加密技术还广泛应用于数据存储和传输等领域。
3. 差分隐私差分隐私通过添加噪声来掩盖个体数据对总体分布的影响，从而保护个人隐私。
差分隐私在数据挖掘、统计调查等领域得到了广泛应用。
二、隐私保护面临的挑战1. 数据泄露风险在大数据环境下，数据泄露风险无处不在。
从数据收集、存储、处理到共享、发布等各个环节，都可能存在泄露风险。
如何确保数据安全，防止未经授权的访问和使用，是隐私保护面临的首要挑战。
2. 跨域侵犯跨域侵犯是指不同领域的数据拥有者通过数据共享和交换，导致个人隐私泄露的风险。
如何制定跨域隐私保护的规范和标准，限制不合法、不合规的数据使用行为，是当前亟待解决的问题。
3. 技术手段的不断发展随着技术手段的不断进步，隐私攻击手段也日益狡猾和复杂。
如何及时应对新型隐私攻击手段，提高隐私保护技术的有效性和适应性，是隐私保护研究的重要挑战。
三、研究现状与趋势1. 隐私保护算法研究近年来，隐私保护算法研究取得了重要进展。
例如，k-匿名、l-多样性、t-closeness等匿名化算法在数据发布和共享领域得到了广泛应用。
同态加密、零知识证明等技术为数据存储和传输提供了有效的隐私保护手段。
差分隐私则在数据挖掘和统计调查等领域得到了广泛应用。
BigData大数据处理技术及隐私保护
BigData大数据处理技术及隐私保护Big Data（大数据）处理技术及隐私保护随着信息技术的迅猛发展，大数据已经成为我们生活中不可忽视的一部分。
大数据处理技术的引入使得我们能够从海量数据中获得有益的信息和洞察力，然而，随之而来的是对个人隐私的问题。
本文将探讨大数据处理技术的原理和应用，并提出相应的隐私保护措施。
一、大数据处理技术概述大数据处理技术是指通过使用各种软件工具和算法，对大规模数据进行收集、处理和分析的一系列方法和手段。
它从影响面广、数据量大的角度出发，利用机器学习、数据挖掘、统计分析等方法，挖掘数据中隐藏的规律和价值。
在大数据处理技术中，首先需要收集和存储数据。
随后，将数据进行清洗和预处理，以确保数据质量和准确性。
接下来，采用合适的模型和算法进行数据分析和挖掘，从中获取有用的信息。
最后，通过可视化方式呈现数据分析结果，以便人们更好地理解。
二、大数据处理技术的应用大数据处理技术在各行各业都有广泛的应用。
以下是几个典型的应用场景：1. 零售业：通过大数据处理技术，零售商可以分析购物者的购买习惯和偏好，从而进行精准定价和个性化推荐。
此外，还可以通过对供应链的分析，提高库存管理和供应链效率。
2. 金融业：大数据处理技术可以帮助金融机构分析客户的信用风险，发现欺诈行为，并进行个性化的金融产品推荐。
同时，大数据还可以用于高频交易和风险管理。
3. 医疗保健：通过对大量医疗数据的处理和分析，可以帮助医生做出更准确的诊断和治疗方案。
此外，大数据还可以用于疾病模式分析、公共卫生政策制定等领域。
4. 市场营销：大数据处理技术可以帮助企业更好地了解市场需求和消费者行为，从而制定更精确的营销策略和定位。
5. 城市规划：通过对城市交通、人口流动等数据的分析，可以提高城市的交通管理和资源分配效率，实现智慧城市的建设。
三、大数据处理技术的隐私保护尽管大数据处理技术能够带来很多好处，但也面临隐私保护的挑战。
大数据处理涉及大量个人数据的收集、存储和分析，如何保护个人隐私成为一个重要问题。
大数据隐私保护的技术与方法
大数据隐私保护的技术与方法随着互联网和物联网的普及，大数据的应用范围越来越广泛，其威力也越来越大，但同时也带来了隐私保护的问题。
大数据中包含大量的个人隐私信息，如果泄露，会对个人造成极大的损失。
因此，关于大数据隐私保护的技术和方法已成为研究热点。
一、匿名化技术为保护数据的隐私，最基础的方法是匿名化。
匿名化是指对个人数据进行去标识化处理，让其无法被直接与个人身份联系起来。
匿名化的技术可以分为两类：全局匿名化和局部匿名化。
全局匿名化是一种将数据随机化或再编码的方法，使得破解者无法识别出它们所代表的信息。
对于同一类隐私数据，全局匿名化可以采用一致性哈希或K-anonymity算法进行处理。
例如，在K-anonymity算法中，当一条数据记录与至少K-1个其他记录相似时，该记录就会被视为匿名化状态。
全局匿名化技术可以有效地减少数据泄露的风险，但也常常会造成数据的损失和精度下降。
局部匿名化是将数据分区并对每个分区进行处理的方法，而不是对所有数据进行全局处理。
例如，在k-means算法中将数据分成k个簇，然后对簇内数据进行聚类处理等。
这种方法可以在保障数据隐私的同时，尽量保持数据的原始形态和特征，以保证数据挖掘的效果。
二、差分隐私技术差分隐私技术是一种用于处理隐私保护的方法。
它通过对数据添加噪声或扰动以使得数据不被识别，同时尽可能不影响数据的分析结果。
也就是说，差分隐私保障了隐私，同时提高了数据的有效性。
差分隐私技术采用了概率算法来处理数据，以得到噪声数据的结果。
这种技术在一定程度上保护了个人的隐私，但也会对数据的准确性造成一定的影响，在数据处理过程中需要权衡隐私的保护和数据的可用性。
三、同态加密技术同态加密技术是一种加密技术，它允许对加密数据进行计算，而不需要先对其进行解密。
也就是说，在进行计算过程中，不会因为数据的解密而泄露数据的信息。
同态加密技术可实现对数据的加密和保护，同时允许在密文状态下进行计算，从而最大限度地减少数据泄露和隐私侵犯的风险。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Ａｂ ｔ ａ ｔ Ａｓ ｔ ｅ ｄ ｖ ｌ ｐ ｅ ｔａ ｄ ａ ｐ ｉ ａｉ ｎ ｏ ａａ ｍｉ ｉ ｇ，ｉ ｉ ｒ ｂ ｅ ｈ ｃ ｓ ｅ ｒ ｓ ｌ ｅ ｈ ｔｈ ｗ ｏ ｐ ｏ ｅ ｔｐ ｖ ｃ ｒ ｍ ｓ ｒ ｃ ： ｈ ｅ ｅｏ ｍ ｎ ｎ ｐ ｌ ｔ ｆ ｄ ｔ ｎ ｎ ｃ ｏ ｔ ｓ ａ ｐ ｏ ｌｍ ｗ ｉ ｈ ｍｕ ｔｂ ｅ ｏ ｖ ｄ ｔ ａ ｏ ｔ ｒ ｔ ｃ ｒ ａ ｙ ｆｏ ｉ
ｃ ｒｓｒｉｇ ａｇ ｒｔｍｓａｅ ｇｖ ｎ ｙｐｅｅｖ ｏｉ ｎ ｌ ｈ ｒ ｉｅ ． Ｋｅ ｒ ｓ：ａａｍｉｉｇ；ｒｖ ｃ ｒｓｒｉｇ； ｔ ｒｃ ｓｉｇ ｙ ｗｏ ｄ ｄ ｔ ｎｎ ｐ ｉａｙ ｐｅｅｖｎ ｄａａｐｏ ｅ ｓｎ
ｌａ ｉ ｇ ｗｈ ｎ ｏ ｔ ｉ ｎ ｃ ｕ ａ ｅｒ ｓ ｌ ｅ ｋ ｎ ｅ ｂａｎｉ ｇ ａ ｃ ｒ ｔ ｕ ｔ ｅ ．Ｄａ ａｍｉ ｉ ｇ ｐ ｉ ａ ｙ ｐ ｅ ｅ ｖ ｎ ａ ｅ ｎ ｄ ｔ ｒ ｃ ｓ ｉ ｇ ｓ ｏ ｌ ｅ ａ ｆｅ ｔｖ ｙ ｔ ｅ ｏ ｖ ｅ ｔ ｎ ｎ ｒｖ ｃ ｒ ｓ ｒ ｉ ｇ ｂ ｓ ｄ ｏ ａａｐ ｏ ｅ ｓｎ ｈ ｕ ｄ ｂ ｎ ｅ ｆ ｃ ｉｅ ｗａ ｏ ｒ ｓ ｌ ｅｔ ｈ ｐ ｏ ｌｍ． Ｂａｅ ｎ ｄ ｆｅ ｅ ｔｄ ｔ ｒ ｅ ｓ ｇ ｔｃ ｎ ｌ ｇ ｅ ｒ ｂｅ ｓ ｄ ｏ ｉ ｒ ｎ ａ ａ ｐ ｏ ｓｉ ｅ ｈ ｏ ｏ ｉｓ，ｖ ｒｏ ｓ ｐ ｖ ｃ ｒ ｓ ｒ ｉ ｇ ａｇ ｒｔ ｍｓ ｕ ｈ ａ ａ ａ ａ ｏ ｙ ｔ ｃ ｎ ａｉｕ ｒ ａ ｙ ｐｅｅｖｎ ｌｏ ｈ ｉ ｉ ，ｓ ｃ ｓ ｄ ｔ ｎ ｎ ｍｉ ｙ，ｄａ ｉｔ ｒ ｔ ｄ ｓｏ － ａ ｉ ｔ ｎ，ｄ ｔ ｎ ｒ ｐ ｉｎ， ａ ｕ ｆｃ ｔ ｎ ａ ｄ ｄ ｔ ｂ ｔｕ ｔ ｇ，ｈ ｖ ｅ ｎ ｄ ｖ ｌ ｐ ｄ ｎ ｔ ｉ ａ ｅ ，ｔ ｅ ｔｃ ｎ ｌ ｇ ｅ ｆｄ ｔ ｎ ｎ ｒｖ ｃ ｏ ａａ ｅ ｃｙ ｔ ｏ ｄ ｔ ｐ ｒ ａ ｉ ｎ ａ ｏ ｓｒ ｃ ｉ ａ ｉ ｉ ｏ ａ ｎ ａ ｅｂ ｅ ｅ ｅ ｏ ｅ Ｉ ｓｐ ｐ ｒ ｈ ｅ ｈ ｏ ｏ ｉｓｏ ａａ ｍｉ ｉｇ ｐ ａ ｙ ｈ ｉ ｐ ｅ ｒ ｉｇ ｂ ｓ ｄ ｏ ａ ｒ ｅ ｓｎ ｒ ｕ ｅ ｅ ｒ ｓ ｖ ｎ ａ ｅ ｎ ｄ ｔ ｐ ｏ ｓ ｉ ｇ ａｅ ｓ ｒ ｙ ｄ：ｔｅ ｍｅ ｈ ｎ ｓ ｎ ｈ ｒ ｃ ｅ ｓ ｃ ｆ ｖ ｒ ｕ ｇ ｒｔｍｓ ａ ｅ ｄ ｓ ｕ ｓ ｄ．Ｆｏ ｌｗｉ ｇ ａ ｅ ａ ｃ ｖ ｈ ｃ ａ ｉｍｓ ａ ｄ ｃ ａ ａ ｔｒ ｔ ｓ ｏ ａ ｉ ｓ ａ ｏ ｈ ｉ ｉ ｏ ｌ ｉ ｒ ｉｃ ｓｅ ｌｏ ｎ ｃ ｍｐ ｈ ｎ ｉｅ ｃ ｍｐ ｒｓ ｎ ａ ｄ ａ ａｙ ｉ ｆｔ ｅｅ ｉ ｔ ｇ ｔｃ ｎ ｌ ｇｅ ８ ｗｅｌａ ｅ ａｇ ｒｔｍｓ ｈ ｒｔｒａｏ ｖ ｌ ａｉ ｇ ｄ ｔ ｎ ｎ ｖ — ｏ ｒ ｅ ｓｖ ｏ ｅ ａｉｏ ｎ ｎ ｓｓｏ ｘ ｓ ｎ ｅ ｈ ｏ ｏ ｉ ｓａ ｌ ｓｔ ｏ ｈ ｌ ｈ ｉ ｈ ｌ ｉ ，ｔｅ ｃ ｅ ｉ ｆｅ ａ ｕ ｔ ａａ ｍｉｉ ｇ ｐ ａ ｉ ｎ
李 玲娟 ， 少飞 郑
（ 南京邮 电大学 计算机 学院 ， 江苏 南京 ２ ００ ） １０３
摘 要： 随着数 据挖掘 技术 的发 展与应 用 ， 如何 在得到 准确 的挖 掘结果 的同时保 护 隐私信 息 不被 泄露 ， 已经成 为 必须解 决
的问题。基 于数 据处理 的数据挖 掘隐 私保护是一 种有效 的途径 ， 通过采 用不 同的数 据处 理技 术 ， 出现 了基于 数据 匿名 、 数
据变 换 、 数据 加密 、 数据 清洗 、 据阻塞 等技术 的隐私保 护算法 。文中对 基于数据 处 理的数 据挖 掘 隐私保 护技 术进 行 了总 数
结 ， 各类算法 的基本 原理 、 点进行 了探 讨 。在 对已有技 术和算 法深入 对 比分 析 的基础 上 ， 出 了数据 挖掘 隐私保 护算 对 特 给 法 的评价标准 。 关键 词 ： 数据挖 掘 ； 隐私保 护 ； 数据 处理 中图分 类号 ：Ｐ １ Ｔ ３１ 文献标 识码 ： Ａ 文章编 号 ： ７ — ２ Ｘ（０ ｔ ０ — ０ ４ ０ １ ３ ６９ ２１ ）３ ０９ ～４ ６
Ａｎ ｌ ｓｓ ｏ ｔ ｉ ｎｇ Ｐｒ ｖ ｃ ｅ ｅ ｖ ｎ ｃ ｎｏ ｏ ｙ ａ ｙ ｉ ｆＤａ ａ Ｍ ｎｉ ｉ ａ ｙ Ｐｒ ｓ ｒ ｉ ｇ Ｔｅ ｈ ｌ ｇ Ｂａ ｅ ｎ Ｄａ ａ Ｐｒ ｃ ｓ ｉ ｓ ｄ ｏ ｔ ｏ ｅ ｓｎｇ
Ｌ ｉｇ ｊａ ， Ｈ Ｎ ｈ ｏ ｆｉ Ｉ ｎ －Ｈｒ Ｚ Ｅ Ｇ Ｓ ａ － ｅ Ｌ ｔ
第 ２ 卷 第 ３期 １ ２１ ０ １年 ３月
计 算 机 技 术 与 发 展
Ｃ ＯＭＰ ＥＲ ＥＣＨＮＯＬ ＵＴ ｒ ＯＧＹ ＡＮＤ ＤＥＶＥＬ ＭＥＮＴ ＯＰ
Ｖｏ ． Ｎｏ ３ １２１ ． Ｍａ． ２ １ ｒ ０１
基 于 数 据 处 理 的 数 据 挖 掘 隐 私 保 护 技 术分 析