| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 引言 | 第8-13页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.2.1 数据流分类算法研究现状 | 第9页 |
| 1.2.2 数据流的隐私保护算法研究现状 | 第9-10页 |
| 1.2.3 数据流计算系统 | 第10页 |
| 1.3 主要的研究内容 | 第10-11页 |
| 1.4 论文的组织结构 | 第11-13页 |
| 第二章 相关理论与技术 | 第13-26页 |
| 2.1 数据流挖掘技术 | 第13-14页 |
| 2.1.1 数据流的概念与特点 | 第13页 |
| 2.1.2 数据流挖掘概述 | 第13-14页 |
| 2.2 数据流分类中的隐私保护 | 第14-25页 |
| 2.2.1 隐私的定义和分类 | 第14-15页 |
| 2.2.2 隐私保护与隐私的度量 | 第15-16页 |
| 2.2.3 面向分类挖掘的隐私保护技术分类 | 第16-19页 |
| 2.2.4 隐私保护的性能评估 | 第19-20页 |
| 2.2.5 流计算的关键技术 | 第20-21页 |
| 2.2.6 开源流计算系统 | 第21-23页 |
| 2.2.7 流计算平台Storm | 第23-25页 |
| 2.3 本章小结 | 第25-26页 |
| 第三章 基于红黑树的连续属性数据流分类算法研究 | 第26-39页 |
| 3.1 相关工作 | 第26-30页 |
| 3.1.1 VFDT算法 | 第26-27页 |
| 3.1.2 VFDTc算法 | 第27-28页 |
| 3.1.3 红黑树 | 第28-30页 |
| 3.2 基于红黑树的连续属性数据流分类算法VFDT_RBT的设计 | 第30-35页 |
| 3.2.1 VFDT_RBT的算法流程 | 第30-31页 |
| 3.2.2 新样本到达时的红黑树更新过程 | 第31-33页 |
| 3.2.3 连续属性最佳划分阈值的计算过程 | 第33-34页 |
| 3.2.4 最佳划分阈值的选取过程 | 第34-35页 |
| 3.3 实验验证与结果分析 | 第35-38页 |
| 3.3.1 数据集及实验环境 | 第35-36页 |
| 3.3.2 运行时间比较 | 第36-37页 |
| 3.3.3 分类精度的比较 | 第37-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第四章 基于快速决策树的隐私保护的流分类算法研究 | 第39-49页 |
| 4.1 面向决策树的隐私保护方法分析 | 第39-40页 |
| 4.2 随机扰动的隐私保护方法 | 第40页 |
| 4.3 基于快速决策树的隐私保护的数据流分类算法PPFDT的设计 | 第40-46页 |
| 4.3.1 计算扰动样本的最佳分裂属性和划分阈值 | 第42-44页 |
| 4.3.2 使用阈值算法划分训练样本 | 第44-45页 |
| 4.3.3 PPFDT算法的建树过程 | 第45-46页 |
| 4.4 实验与结果分析 | 第46-48页 |
| 4.4.1 实验设计 | 第46页 |
| 4.4.2 PPFDT算法的准确度 | 第46-47页 |
| 4.4.3 阈值对PPFDT算法准确度的影响 | 第47-48页 |
| 4.4.4 PPFDT算法的执行时间 | 第48页 |
| 4.5 本章小结 | 第48-49页 |
| 第五章 PPFDT算法基于Storm的并行化研究 | 第49-62页 |
| 5.1 并行的基于快速决策树的隐私保护的数据流分类算法PPFDT_P设计 | 第49-52页 |
| 5.1.1 设计思想 | 第49-51页 |
| 5.1.2 PPFDT_P描述 | 第51-52页 |
| 5.2 PPFDT_P算法在Storm上的实现 | 第52-56页 |
| 5.2.1 相关技术平台 | 第52-53页 |
| 5.2.2 PPFDT_P算法基于Storm的实现方案 | 第53-56页 |
| 5.3 实验与结果分析 | 第56-61页 |
| 5.3.1 Storm相关平台搭建 | 第56-59页 |
| 5.3.2 PPFDT_P算法实验结果分析 | 第59-61页 |
| 5.4 本章小结 | 第61-62页 |
| 第六章 总结与展望 | 第62-64页 |
| 6.1 工作总结 | 第62页 |
| 6.2 未来展望 | 第62-64页 |
| 参考文献 | 第64-66页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第66-67页 |
| 附录2 攻读硕士学位期间参加的科研项目 | 第67-68页 |
| 致谢 | 第68页 |
