平面反射数据扰动提升聚类隐私保护：新方法与实验验证

本文主要探讨了"面向聚类的平面反射数据扰动方法"这一主题，针对现有数据隐藏技术在隐私保护方面的不足，提出了一个新的解决方案。论文首先指出，为了防止敏感信息在聚类数据中泄露，数据扰动技术是常用的一种策略。然而，传统的数据扰动方法可能无法有效保证隐私安全。 作者们针对这个问题，设计了一种创新的方法，即利用平面反射原理进行数据扰动。具体操作步骤如下：将发布对象的所有属性进行两两配对，形成平面坐标系中的点；接着，随机选择一条直线，对于每对属性，找到这条直线的对称点，这样，原始数据经过这种变换后，就构成了新的、被扰动的数据。这种方法的突出优点在于，它不仅能提供较高的隐私保护度，使得攻击者难以推断出原始数据，同时保持了数据的聚类特性，使得后续的聚类分析仍然可行。 实验结果显示，这个基于平面反射的数据扰动方法在隐私保护方面表现出色，能够有效抵抗各种常见的隐私侵犯攻击。此外，它还展现出良好的适应性，即使面对高维度的数据集也能有效地应用，保持数据处理的效率。这对于许多实际应用，特别是那些涉及大量高维数据的场景，如推荐系统、社交网络等，具有重要意义。 论文的研究背景得到了国家自然科学基金（61702010, 61772034）、安徽省自然科学基金（1708085MF156）以及安徽师范大学创新基金的支持，体现了学术界对该领域研究的重视和投入。 作者团队由汪小寒副教授、韩慧慧硕士研究生、张泽培硕士研究生、俞庆英副教授和郑孝遥副教授组成，他们的研究方向涵盖了智能计算、信息安全等多个相关领域，共同推进了面向聚类数据保护的技术进步。 总结来说，这篇论文不仅提供了新的数据隐私保护策略，还在理论和实践层面进行了深入探讨，为未来在聚类数据分析中实现更好的隐私保护提供了有价值的参考。