| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第14-22页 |
| 1.1 研究背景及意义 | 第14-16页 |
| 1.2 研究现状 | 第16-19页 |
| 1.2.1 信息负表示研究现状 | 第16-18页 |
| 1.2.2 传统数据发布研究现状 | 第18-19页 |
| 1.3 本文的主要内容 | 第19-20页 |
| 1.4 本文的章节安排 | 第20-22页 |
| 第2章 基于敏感属性值分布的数据负发布方法 | 第22-38页 |
| 2.1 概述 | 第22-24页 |
| 2.2 SvdNPD模型框架 | 第24-26页 |
| 2.2.1 计算用户敏感属性值的分布 | 第24-26页 |
| 2.2.2 计算负表示的选择概率 | 第26页 |
| 2.2.3 获取SvdNPD发布表 | 第26页 |
| 2.3 SvdNPD算法 | 第26-32页 |
| 2.3.1 算法流程 | 第26-28页 |
| 2.3.2 算法衡量标准 | 第28-32页 |
| 2.4 实验结果 | 第32-37页 |
| 2.4.1 隐私度实验结果 | 第33-34页 |
| 2.4.2 聚合效用性 | 第34-36页 |
| 2.4.3 平均重构概率密度误差 | 第36-37页 |
| 2.5 本章小结 | 第37-38页 |
| 第3章 基于准标识符信息负表示的数据发布方法 | 第38-52页 |
| 3.1 概述 | 第38-39页 |
| 3.2 (k,p,l)-NPD模型建立 | 第39-46页 |
| 3.2.1 攻击模型 | 第41-43页 |
| 3.2.2 准标识属性选择方法 | 第43-45页 |
| 3.2.3 敏感属性分组方法 | 第45页 |
| 3.2.4 与抽象l-多样性及已有NPD比较 | 第45-46页 |
| 3.3 (k,p,l)-NPD算法步骤 | 第46-48页 |
| 3.4 实验结果 | 第48-50页 |
| 3.5 本章小结 | 第50-52页 |
| 第4章 基于(k,p,l)-NPD的关联规则挖掘方法 | 第52-66页 |
| 4.1 概述 | 第52-53页 |
| 4.2 NPD-AR算法 | 第53-57页 |
| 4.2.1 支持度估计和置信度估计 | 第53-55页 |
| 4.2.2 NPD-AR | 第55-57页 |
| 4.3 实验结果 | 第57-64页 |
| 4.3.1 关联规则挖掘结果 | 第57-59页 |
| 4.3.2 支持度阈值和置信度闽值影响 | 第59-64页 |
| 4.4 本章小结 | 第64-66页 |
| 第5章 总结与展望 | 第66-68页 |
| 5.1 全文工作总结 | 第66-67页 |
| 5.2 展望 | 第67-68页 |
| 参考文献 | 第68-74页 |
| 附录1 NStoPS-Ⅱ和NStoPS-Ⅰ-Two补充说明 | 第74-76页 |
| 致谢 | 第76-78页 |
| 读硕士期间发表的学术论文 | 第78-79页 |
| 作者简历 | 第79页 |