大数据环境下分布式k-anonymity算法：基于k-means的改进

"一种基于k-means的分布式k-anonymity算法.pdf" 随着大数据时代的来临，数据分享和数据发布的频率显著提升，但同时也带来了隐私泄露的风险。为了解决这一问题，k-anonymity匿名化原则应运而生，它成为数据匿名发布的重要准则。k-anonymity要求每个数据集中的记录不能唯一地映射到真实世界中的个体，而是至少有k-1个其他记录与之相同，从而降低个体隐私被识别的可能性。 在大数据环境下，传统的单计算节点处理方式已无法满足高效匿名化的计算需求，因此，分布式k-anonymity算法的研究变得至关重要。该篇论文由张琦颖和程祥撰写，他们提出了一种新的方法，结合了k-means聚类算法和k-anonymity原则，设计出二元K-聚类算法，并进一步优化时间复杂度，发展了快速二元K-聚类算法。 k-means算法是一种常用的无监督机器学习方法，用于将数据集划分成多个簇，每个簇内的数据点相互接近，而与其他簇的数据点相距较远。在k-anonymity中，数据被分组到大小为k的集群，以确保每个集群内的记录都具有相同的匿名性。论文中，作者将k-means的聚类能力应用于大数据的匿名化过程，通过改进算法，降低了计算复杂度，同时减少了数据损失的程度。 在实验部分，作者对比了快速二元K-聚类算法与传统的启发式算法，结果显示，快速二元K-聚类算法在时间效率上有显著的优化，且在保持数据匿名性的同时，数据损失相对较小，这表明该算法在实际应用中具有较高的可行性和有效性。 关键词涉及的领域包括计算机软件、k-means算法、大数据、数据发布以及k-匿名性。该论文的工作主要集中在如何在大数据背景下，利用k-means聚类技术提高k-anonymity匿名化处理的效率和效果，对于大数据安全和隐私保护具有重要的理论和实践意义。 这篇论文提供了一种创新的分布式k-anonymity解决方案，它利用k-means的聚类能力来实现大数据环境下的高效匿名化，为大数据隐私保护提供了新的思路。其贡献在于提出了一种既能优化时间性能又能减少数据损失的快速二元K-聚类算法，这对于未来大数据场景下的隐私保护策略设计具有参考价值。