移动社交网络隐私保护算法及应用研究
摘要 | 第6-7页 |
Abstract | 第7页 |
第1章 绪论 | 第11-28页 |
1.1 课题研究背景 | 第11-12页 |
1.2 隐私保护问题概述 | 第12-18页 |
1.2.1 数据的产生 | 第12-13页 |
1.2.2 隐私数据的分类 | 第13-15页 |
1.2.3 隐私保护中的关键问题及相关技术 | 第15-18页 |
1.3 大数据隐私保护最新研究进展 | 第18-25页 |
1.3.1 位置隐私保护技术 | 第18-20页 |
1.3.2 轨迹隐私保护技术 | 第20-21页 |
1.3.3 社交网络隐私保护技术 | 第21页 |
1.3.4 基于差分隐私的数据发布及分析技术 | 第21-25页 |
1.4 主要研究内容及创新点 | 第25-28页 |
1.4.1 主要研究内容 | 第25-26页 |
1.4.2 主要创新点 | 第26-27页 |
1.4.3 论文框架 | 第27-28页 |
第2章 移动社交网络隐私保护技术相关理论 | 第28-36页 |
2.1 移动社交网络的特点 | 第28-29页 |
2.2 移动社交网络用户隐私的分类 | 第29-30页 |
2.3 隐私保护相关理论 | 第30-35页 |
2.3.1 K匿名模型 | 第30-31页 |
2.3.2 L多样性模型 | 第31-33页 |
2.3.3 差分隐私保护技术 | 第33-35页 |
2.4 本章小结 | 第35-36页 |
第3章 基于情景感知的位置K-匿名模型 | 第36-48页 |
3.1 位置信息的保护 | 第36-37页 |
3.1.1 位置信息的应用特点 | 第36页 |
3.1.2 位置信息保护的需求特点 | 第36-37页 |
3.2 基于情景感知的隐私度量 | 第37-40页 |
3.2.1 服务质量与隐私保护的矛盾 | 第37-38页 |
3.2.2 情景感知的引入 | 第38-40页 |
3.3 改进位置K-匿名模型的建立 | 第40-43页 |
3.3.1 改进的K-匿名模型 | 第40-41页 |
3.3.2 时空相似度度量 | 第41-42页 |
3.3.3 基于情景感知的位置K匿名模型 | 第42-43页 |
3.4 实例分析 | 第43-47页 |
3.4.1 新浪微博的签到服务 | 第43-44页 |
3.4.3 仿真实验与结果分析 | 第44-47页 |
3.5 本章小结 | 第47-48页 |
第4章 基于改进层次聚类的L多样性匿名模型 | 第48-66页 |
4.1 发布数据的类型 | 第48-49页 |
4.2 聚类思想的引入 | 第49-55页 |
4.2.1 数据采集 | 第49-52页 |
4.2.2 不同属性类型的距离度量 | 第52-54页 |
4.2.3 信息损失的度量 | 第54-55页 |
4.3 改进L多样性模型的建立 | 第55-58页 |
4.3.1 敏感值属性分布的度量 | 第55-56页 |
4.3.2 基于基尼系数和层次聚类的L多样性模型 | 第56-58页 |
4.4 实例分析 | 第58-65页 |
4.4.1 数据采集 | 第58-61页 |
4.4.2 数据预处理 | 第61-62页 |
4.4.3 仿真实验与结果分析 | 第62-65页 |
4.5 本章小结 | 第65-66页 |
第5章 基于差分隐私及VSM的好友推荐算法 | 第66-77页 |
5.1 移动推荐的特点 | 第66-67页 |
5.2 用户行为模型的建立 | 第67-70页 |
5.2.1 用户个人标签词 | 第67页 |
5.2.2 关注内容关键词 | 第67-68页 |
5.2.3 微博内容主题词 | 第68页 |
5.2.4 移动位置特征词 | 第68-70页 |
5.3 隐私保护的相似度计算 | 第70-71页 |
5.3.1 向量空间模型的建立 | 第70页 |
5.3.2 差分隐私保护机制的引入 | 第70-71页 |
5.4 隐私保护好友推荐算法的步骤 | 第71-72页 |
5.5 实例分析 | 第72-76页 |
5.5.1 实验环境 | 第72页 |
5.5.2 数据采集 | 第72-74页 |
5.5.3 仿真实验与结果分析 | 第74-76页 |
5.6 本章小结 | 第76-77页 |
第6章 总结与展望 | 第77-79页 |
6.1 全文总结 | 第77-78页 |
6.2 展望 | 第78-79页 |
参考文献 | 第79-83页 |
攻读学位期间发表的学术论文 | 第83-84页 |
致谢 | 第84页 |