| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 本文的研究内容 | 第13-14页 |
| 1.4 本文的组织结构 | 第14-16页 |
| 第二章 差分隐私与直方图发布技术 | 第16-23页 |
| 2.1 隐私及隐私保护 | 第16-18页 |
| 2.1.1 隐私的基本概念 | 第16-17页 |
| 2.1.2 隐私保护技术概述 | 第17-18页 |
| 2.2 差分隐私保护技术 | 第18-21页 |
| 2.2.1 差分隐私保护概述 | 第18页 |
| 2.2.2 差分隐私保护理论基础 | 第18-21页 |
| 2.2.3 隐私保护技术的性能评估 | 第21页 |
| 2.3 直方图发布技术 | 第21-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第三章 数据流及Spark平台的流处理研究 | 第23-28页 |
| 3.1 数据流 | 第23-25页 |
| 3.1.1 数据流 | 第23页 |
| 3.1.2 数据流处理模型 | 第23-25页 |
| 3.2 Spark云平台 | 第25-27页 |
| 3.2.1 大数据的流处理 | 第25页 |
| 3.2.2 Spark以及Spark Streaming运行机制 | 第25-26页 |
| 3.2.3 大数据流处理的隐私问题 | 第26-27页 |
| 3.3 本章小结 | 第27-28页 |
| 第四章 数据流的差分隐私直方图发布 | 第28-44页 |
| 4.1 差分隐私直方图模型 | 第28-30页 |
| 4.2 一种简单的发布方法 | 第30-31页 |
| 4.3 问题描述 | 第31页 |
| 4.4 数据流的差分隐私直方图发布算法介绍 | 第31-32页 |
| 4.5 数据流的差分隐私直方图发布算法实现原理 | 第32-38页 |
| 4.5.1 EMD距离 | 第32-34页 |
| 4.5.2 动态差分隐私分配算法 | 第34-35页 |
| 4.5.3 局部最优直方图发布 | 第35-36页 |
| 4.5.4 算法性能分析 | 第36-38页 |
| 4.6 算法的实现 | 第38-43页 |
| 4.6.1 实验环境 | 第38-39页 |
| 4.6.2 实验结果与分析 | 第39-43页 |
| 4.7 本章小结 | 第43-44页 |
| 第五章 基于Spark中数据流的差分隐私直方图发布 | 第44-59页 |
| 5.1 基于Spark应用的背景及难点 | 第44-45页 |
| 5.1.1 基于Spark应用背景 | 第44-45页 |
| 5.1.2 应用难点 | 第45页 |
| 5.2 对Spark Streaming框架进行分析 | 第45-47页 |
| 5.3 基于Spark中具体算法改进 | 第47-48页 |
| 5.4 算法设计 | 第48-52页 |
| 5.5 实验与分析 | 第52-58页 |
| 5.5.1 实验环境 | 第52-54页 |
| 5.5.2 算法实现 | 第54-55页 |
| 5.5.3 实验结果及分析 | 第55-58页 |
| 5.6 本章小结 | 第58-59页 |
| 第六章 总结与展望 | 第59-61页 |
| 6.1 工作总结 | 第59页 |
| 6.2 展望 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 攻读学位期间的研究成果目录 | 第65-66页 |
| 致谢 | 第66页 |
