توضیحات
چکیده
با وجود جذابیت آن، به دلیل اندازه آن اداره کردن داده حجیم اغلب اوقات دشوار، آهسته و گران است. علاوه بر این، با افزایش میزان داده های جمع آوری شده حریم خصوصی فردی باعث نگرانی بیشتر و بیشتر می شود: آنها در مورد من چه چیزی می دانند الگوریتم های مختلف پیشنهاد شده است تا حفظ داده های حریم خصوصی را با حریم خصوصی تفاضلی استاندارد بالفعل به اشتراک بگذارند. با این حال، زمان پردازش حفظ حریم خصوصی داده ها مانع است و در حال حاضر برای استفاده هر روز عملی نیست. همراه با جمع آوری اطلاعات به طور مداوم در حال رشد، راه حلی در یک افق فکری دیده نمی شود. در این تحقیق، پیشنهاد می کنیم داده های حجیم را با یک مدل مشابه بسیار کوچکتر جایگزین کنید. مدل شبیه کردن داده ها در رابطه با یک کلاس کوئری( پرس و جو ) است. کاربر حداکثر خطای قابل قبول و شرایط حریم خصوصی را پیش از اجرای کوئری تعیین می کند. این شرایط، حداقل اندازه مدل مشابه را تعیین می کنند. روش پیشنهاد شده با استفاده از یک تبدیل موجک و سپس با هرس درخت بر اساس کاهش داده و شرایط حریم خصوصی نشان داده شده است. ما روش های ترکیب نویز مورد نیاز برای حفاظت از حریم خصوصی را با نویز از مدل مشابه پیشنهاد می دهیم، که به ما کاهش میزان نویز افزوده شده را اجازه می دهد به این ترتیب منجر به بهبود کاربرد روش می شود.
ABSTRACT
Despite its appeal, bulk data handling is often difficult, slow and expensive due to its size. In addition, as the amount of personal privacy data collected increases, there is more and more concern: what they know about me Various algorithms have been proposed to protect privacy data with actual standard differential privacy. To share. However, data privacy processing time is impeded and is not currently applicable for everyday use. With the ever-growing information gathering, there is no solution in the horizon. In this study, we suggest replacing the bulk data with a much smaller model. The model is to simulate data in relation to a query class. The user specifies the maximum acceptable error and privacy terms before running the query. These conditions determine at least the same model size. The proposed method is illustrated using a wavelet transform and then by tree pruning based on data reduction and privacy conditions. We propose the methods of combining the noise required to protect privacy with noise from the same model, allowing us to reduce the amount of added noise thus improving the applicability of the method.
Year: ۲۰۱۸
Publisher : 6th National Conference on Computer Science and Engineering and Information Technology
By : Parvin Mahmoodzehi Rigi, Hadi Barani
File Information: English Language/ 9 Page / size: 276 KB
سال : ۱۳۹۶
ناشر : ششمین کنفرانس ملی علوم و مهندسی کامپیوتر و فناوری اطلاعات
کاری از : پروین محمودزهی ریگی , هادی بارانی
اطلاعات فایل : زبان فارسی / 9 صفحه / حجم : KB 276
نقد و بررسیها
هنوز بررسیای ثبت نشده است.