| 摘要 | 第3-5页 |
| ABSTRACT | 第5-7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.2 研究现状及分析 | 第12-14页 |
| 1.3 本文主要工作及创新 | 第14-15页 |
| 1.4 本文组织结构 | 第15-17页 |
| 第2章 高维数据发布中的隐私保护概述 | 第17-24页 |
| 2.1 高维数据相关概念及特点 | 第17页 |
| 2.2 差分隐私保护模型 | 第17-21页 |
| 2.2.1 差分隐私定义 | 第17-18页 |
| 2.2.2 差分隐私相关概念 | 第18-19页 |
| 2.2.3 差分隐私保护算法组合性质 | 第19-20页 |
| 2.2.4 差分隐私保护实现机制 | 第20-21页 |
| 2.3 贝叶斯网络相关定义 | 第21-22页 |
| 2.4 高维数据发布隐私问题 | 第22-23页 |
| 2.5 本章小结 | 第23-24页 |
| 第3章 高维数据发布中多维相关分级差分隐私保护方法 | 第24-31页 |
| 3.1 MuCH-DP方法场景假设与问题描述 | 第24-25页 |
| 3.2 贝叶斯网络的构建 | 第25-29页 |
| 3.2.1 量化数据属性之间的关联性 | 第26-27页 |
| 3.2.2 构建相应贝叶斯网络 | 第27-29页 |
| 3.3 MuCH-DP方法加噪机制 | 第29-30页 |
| 3.4 本章小结 | 第30-31页 |
| 第4章 多维相关分级差分隐私保护方法设计与实现 | 第31-39页 |
| 4.1 MuCH-DP方法系统设计 | 第31-33页 |
| 4.1.1 MuCH-DP方法系统需求分析 | 第31页 |
| 4.1.2 MuCH-DP方法系统总体设计 | 第31-33页 |
| 4.2 MuCH-DP方法系统实现 | 第33-37页 |
| 4.2.1 量化属性对关联性 | 第33-34页 |
| 4.2.2 构建k-度贝叶斯网络 | 第34-37页 |
| 4.2.3 MuCH-DP方法中个性化隐私预算分配策略 | 第37页 |
| 4.3 隐私安全性和算法复杂性分析 | 第37-38页 |
| 4.4 本章小结 | 第38-39页 |
| 第5章 系统环境与实验分析 | 第39-44页 |
| 5.1 系统环境与数据集描述 | 第39-40页 |
| 5.1.1 系统环境设置 | 第39页 |
| 5.1.2 数据集说明 | 第39-40页 |
| 5.2 实验结果分析 | 第40-43页 |
| 5.2.1 不同隐私保护强度下实验结果及分析 | 第40-41页 |
| 5.2.2 不同参与方数量下实验结果及分析 | 第41-42页 |
| 5.2.3 方法性能实验结果及分析 | 第42-43页 |
| 5.3 本章小结 | 第43-44页 |
| 第6章 总结与展望 | 第44-46页 |
| 6.1 总结 | 第44页 |
| 6.2 展望 | 第44-46页 |
| 参考文献 | 第46-49页 |
| 攻读硕士学位期间的研究成果 | 第49-50页 |
| 致谢 | 第50-51页 |