| 摘要 | 第8-9页 |
| Abstract | 第9页 |
| 第一章 绪论 | 第10-19页 |
| 1.1 课题背景 | 第10-11页 |
| 1.2 相关现状 | 第11-16页 |
| 1.3 面临问题 | 第16-17页 |
| 1.4 研究内容 | 第17-18页 |
| 1.5 论文组织结构 | 第18-19页 |
| 第二章 数据隐私保护相关技术 | 第19-32页 |
| 2.1 隐私定义及发展 | 第19-20页 |
| 2.2 隐私保护技术 | 第20-26页 |
| 2.3 隐私度量和评估标准 | 第26-27页 |
| 2.4 大数据背景下的隐私保护 | 第27-28页 |
| 2.5 隐私保护的应用 | 第28-30页 |
| 2.5.1 数据存储中的隐私保护应用 | 第28-29页 |
| 2.5.2 数据发布中的隐私保护应用 | 第29页 |
| 2.5.3 基于位置服务的隐私保护应用 | 第29-30页 |
| 2.5.4 基于社交网络中的隐私保护应用 | 第30页 |
| 2.6 访问机制 | 第30-31页 |
| 2.7 本章小结 | 第31-32页 |
| 第三章 隐私保护框架 | 第32-44页 |
| 3.1 概述 | 第32页 |
| 3.2 群体隐私问题 | 第32-34页 |
| 3.2.1 问题提出 | 第32页 |
| 3.2.2 群体敏感信息 | 第32-33页 |
| 3.2.3 群体敏感变化趋势 | 第33-34页 |
| 3.3 群体敏感特征的静态保护 | 第34-36页 |
| 3.3.1 静态隐私保护问题定义 | 第34-35页 |
| 3.3.2 静态隐私保护的度量和评估 | 第35-36页 |
| 3.4 群体敏感变化趋势的动态保护 | 第36-38页 |
| 3.4.1 动态群体隐私保护定义 | 第37页 |
| 3.4.2 动态隐私保护的度量和评估 | 第37-38页 |
| 3.5 云模型 | 第38-41页 |
| 3.5.1 云模型的引入 | 第38页 |
| 3.5.2 云模型定义 | 第38-40页 |
| 3.5.3 相关算法 | 第40-41页 |
| 3.6 群体隐私保护框架 | 第41-43页 |
| 3.6.1 静态群体隐私保护框架 | 第41-42页 |
| 3.6.2 动态群体隐私保护框架 | 第42-43页 |
| 3.7 本章小结 | 第43-44页 |
| 第四章 基于云模型的群体隐私的静态保护机制 | 第44-50页 |
| 4.1 概述 | 第44页 |
| 4.2 算法思想 | 第44-45页 |
| 4.2.1 针对敏感特征的伪造数据的产生机制的思想 | 第44页 |
| 4.2.2 针对非敏感特征的伪造数据的产生机制的思想 | 第44-45页 |
| 4.2.3 敏感特征和非敏感特征之间伪造数据产生机制之间的关系 | 第45页 |
| 4.3 针对敏感特征的伪造数据产生机制 | 第45-46页 |
| 4.4 针对非敏感特征的伪造数据产生机制 | 第46-47页 |
| 4.4.1 非群体隐私特征保持不变 | 第46页 |
| 4.4.2 非群体隐私特征保持调整 | 第46-47页 |
| 4.5 实验结果与分析 | 第47-49页 |
| 4.6 本章小结 | 第49-50页 |
| 第五章 基于云模型的群体隐私的动态保护机制 | 第50-60页 |
| 5.1 概述 | 第50页 |
| 5.2 算法思想 | 第50-51页 |
| 5.3 伪造趋势生成 | 第51-52页 |
| 5.3.1 同等间隔 | 第51-52页 |
| 5.3.2 拉氏分布概率 | 第52页 |
| 5.4 趋势剪枝 | 第52-54页 |
| 5.4.1 基于距离的剪枝算法 | 第52-53页 |
| 5.4.2 基于概率的剪枝算法 | 第53-54页 |
| 5.5 趋势选点 | 第54-57页 |
| 5.5.1 随机选取 | 第54页 |
| 5.5.2 根据距离d选取 | 第54-55页 |
| 5.5.3 根据最终距离 | 第55页 |
| 5.5.4 根据单调性 | 第55-57页 |
| 5.6 实验结果与分析 | 第57-59页 |
| 5.7 本章小结 | 第59-60页 |
| 第六章 结论与展望 | 第60-61页 |
| 6.1 全文总结 | 第60页 |
| 6.2 展望 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 致谢 | 第65-66页 |
| 附录 | 第66页 |
