| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 课题研究背景及意义 | 第9-10页 |
| 1.1.1 研究背景 | 第9-10页 |
| 1.1.2 研究意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.3 本文的主要工作 | 第13-14页 |
| 1.4 论文结构 | 第14-15页 |
| 第二章 相关研究 | 第15-28页 |
| 2.1 隐私保护数据发布简述 | 第15-17页 |
| 2.2 匿名隐私保护模型 | 第17-21页 |
| 2.2.1 k-anonymity模型 | 第19-20页 |
| 2.2.2 l-diversity模型 | 第20-21页 |
| 2.2.3 t-closeness模型 | 第21页 |
| 2.2.4 个性化隐私模型 | 第21页 |
| 2.3 匿名化技术 | 第21-24页 |
| 2.3.1 泛化和隐匿结合 | 第21-23页 |
| 2.3.2 有损连接分割 | 第23页 |
| 2.3.3 泛化分割结合 | 第23页 |
| 2.3.4 交换分割 | 第23页 |
| 2.3.5 聚类匿名 | 第23-24页 |
| 2.4 多敏感属性隐私保护 | 第24-25页 |
| 2.5 发布数据质量度量 | 第25-27页 |
| 2.6 本章小结 | 第27-28页 |
| 第三章 多维数值敏感属性数据发布个性化保护隐私算法 | 第28-37页 |
| 3.1 导言 | 第28页 |
| 3.2 相关研究基础 | 第28-29页 |
| 3.3 基于聚类和加权多维桶分组的个性化数据发布算法 | 第29-36页 |
| 3.3.1 聚类 | 第29-30页 |
| 3.3.2 加权多维桶技术 | 第30-32页 |
| 3.3.3 数据发布可用性度量三大标准 | 第32-33页 |
| 3.3.4 算法实现 | 第33-36页 |
| 3.4 本章小结 | 第36-37页 |
| 第四章 基于个性化加权选择度的匿名算法 | 第37-43页 |
| 4.1 导言 | 第37页 |
| 4.2 相关研究基础 | 第37-40页 |
| 4.2.1 基本概念 | 第37-38页 |
| 4.2.2 多维数值敏感属性l-diversity原则 | 第38页 |
| 4.2.3 个性化保护隐私模型 | 第38-40页 |
| 4.3 基于个性化加权选择度的匿名算法 | 第40-42页 |
| 4.3.1 数据发布可用性度量 | 第40页 |
| 4.3.2 算法实现 | 第40-42页 |
| 4.4 本章小结 | 第42-43页 |
| 第五章 仿真实验与对比分析 | 第43-51页 |
| 5.1 实验准备 | 第43页 |
| 5.1.1 实验环境 | 第43页 |
| 5.1.2 数据集 | 第43页 |
| 5.2 多维数值敏感属性数据发布个性化保护隐私算法分析 | 第43-48页 |
| 5.2.1 算法性能评价标准 | 第43-44页 |
| 5.2.2 不同条件下实验对比及分析 | 第44-48页 |
| 5.3 基于个性化加权选择度的匿名算法分析 | 第48-50页 |
| 5.3.1 算法性能评价标准 | 第48页 |
| 5.3.2 不同条件下实验对比及分析 | 第48-50页 |
| 5.4 本章小结 | 第50-51页 |
| 第六章 总结与展望 | 第51-53页 |
| 6.1 总结 | 第51-52页 |
| 6.2 展望 | 第52-53页 |
| 参考文献 | 第53-57页 |
| 致谢 | 第57页 |
