检索结果

Select

1. 本地化差分隐私下的频繁序列模式挖掘算法PrivSPM

黄硕, 李艳辉, 曹建秋

《计算机应用》唯一官方网站 2023, 43 (7): 2057-2064. DOI: 10.11772/j.issn.1001-9081.2022091365

摘要（171）

HTML （4）

PDF （1710KB）（265）

序列数据中可能包含大量敏感信息，因此直接对序列数据的频繁模式进行挖掘存在泄露用户隐私信息的风险。本地化差分隐私（LDP）能够抵御具有任意背景知识的攻击者，可以对敏感信息提供更全面的保护。序列数据内在序列性和高维度的特点为LDP应用于频繁序列模式挖掘带来了挑战。为解决这个问题，提出一种满足ε-LDP的top-k频繁序列模式挖掘算法PrivSPM。该算法结合填充和采样技术、自适应频率估计算法与频繁项预测技术来构造候选集；基于新域，利用基于指数机制的策略对用户数据进行扰动，并结合频率估计算法识别最终的频繁序列模式。理论分析证明了该算法满足ε-LDP。在3个真实数据集上的实验结果表明，PrivSPM算法在纳真率（TPR）和归一化累积排名（NCR）上明显高于对比算法，能有效提高挖掘结果的准确度。

图表 | 参考文献 | 相关文章 | 多维度评价

Select

2. 基于差分隐私的频繁序列模式挖掘算法

李艳辉, 刘浩, 袁野, 王国仁

计算机应用 2017, 37 (2): 316-321. DOI: 10.11772/j.issn.1001-9081.2017.02.0316

摘要（1098）

PDF （1179KB）（856）

针对当数据集含有敏感信息时，直接发布频繁序列模式本身及其支持度计数都有可能泄露用户隐私信息的问题，提出一种满足差分隐私（DP）的频繁序列模式挖掘（DP-FSM）算法。该算法利用向下封闭性质生成候选序列模式集，基于智能截断方法从候选模式中挑选出频繁的序列模式，最后采用几何机制对所选出模式的真实支持度添加噪声进行扰动。另外，为了提高挖掘结果的可用性，设计了一个阈值修正的策略来减小挖掘过程中的截断误差和传播误差。理论分析证明了该算法满足ε-差分隐私。实验结果表明了该算法在拒真率（FNR）和相对支持度误差（RSE）两个指标上明显低于对比算法PFS²，有效地提高了挖掘结果的准确度。

参考文献 | 相关文章 | 多维度评价

Select

3. 基于多项式变换的二维整型离散余弦变换快速算法

李艳辉李军

计算机应用

摘要（1702）

PDF （438KB）（916）

提出了一种基于多项式变换的二维整型离散余弦变换（DCT）快速算法，利用多项式变换将二维DCT变换的计算转化为一系列一维DCT变换及其变换系数的求和运算，减少了乘法和加法的计算量；利用提升矩阵，实现了整型DCT变换，进一步提高了运算效率的同时，使信号可精确重构。