K-匿名模型中不确定性数据的新型建模方法

该文研究了K-匿名隐私保护模型中不确定性数据的建模问题，提出了新的建模方法，包括Kattr、Ktuple、Kupperlower和Ktree模型，并探讨了模型空间的完备性和封闭性。 在信息技术领域，数据隐私保护是至关重要的，尤其是在大数据时代。K-匿名模型是一种广泛使用的隐私保护技术，它通过将个人数据进行泛化处理，使得每个数据实例无法被唯一识别，从而达到保护个人隐私的目的。然而，当数据包含不确定性时，传统的K-匿名模型需要进行调整以适应这种特殊情况。 不确定性数据管理是数据处理的重要组成部分，特别是在处理模糊、不精确或存在多源信息的数据时。在K-匿名模型中，不确定性源于人为泛化过程，即经过泛化的每个数据实例在原始数据中的映射概率是均等的。因此，传统的处理非人为不确定性数据的方法不再适用。 为了应对这一挑战，该文提出了一套新的建模策略。首先，Kattr模型利用attribute-ors方法来描述K-匿名数据中准标识符属性值的不确定性，这允许表示同一属性可能存在的多个值。其次，Ktuple模型视K-匿名表中的不确定属性值为关系值，并采用tuple-ors方法进行描述，捕捉数据的关联不确定性。接着，Kupperlower模型将泛化值的范围分为上限和下限两个字段，提供了更精细的不确定性表示。最后，Ktree模型基于K-匿名表是由普通表通过泛化树生成的事实，反向拆解为树形结构，有助于理解和操作这些数据。 这四种模型以及它们的不同组合构建了一个模型空间，用于全面描述K-匿名隐私保护模型中的不确定性数据。作者还深入讨论了这个模型空间的性质，如完备性和封闭性，这关系到模型的覆盖率和表达能力，确保了对所有可能的不确定性情况都能有效地建模。 这篇研究为K-匿名隐私保护模型中的不确定性数据提供了一种系统性的建模框架，增强了模型的适应性和准确性，对于隐私保护和数据管理领域具有重要的理论和实践价值。