| 中文摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第10-19页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 隐私保护技术研究现状 | 第11页 |
| 1.2.2 k-匿名模型研究现状 | 第11-13页 |
| 1.2.3 个性化k-匿名模型研究现状 | 第13-14页 |
| 1.2.4 k-匿名模型求解算法研究现状 | 第14-15页 |
| 1.3 研究内容与论文结构 | 第15-17页 |
| 1.3.1 研究内容 | 第15-16页 |
| 1.3.2 论文结构 | 第16-17页 |
| 1.4 本文创新点 | 第17-19页 |
| 第二章 相关理论知识 | 第19-28页 |
| 2.1 k-匿名模型 | 第19-21页 |
| 2.1.1 模型引入 | 第19-20页 |
| 2.1.2 模型描述 | 第20-21页 |
| 2.1.3 隐私保护技术性能评价 | 第21页 |
| 2.2 实现k-匿名化的微聚集算法 | 第21-25页 |
| 2.2.1 微聚集算法 | 第21-23页 |
| 2.2.2 微聚集MDAV算法 | 第23页 |
| 2.2.3 微聚集算法性能评价 | 第23-25页 |
| 2.3 灰关联技术 | 第25-28页 |
| 2.3.1 灰关联技术相关定义 | 第25-26页 |
| 2.3.2 灰关联技术在k匿名化的应用 | 第26-28页 |
| 第三章 基于准标识属性的k匿名技术改进 | 第28-36页 |
| 3.1 MDAV算法局限性分析 | 第28页 |
| 3.2 GMDAV算法 | 第28-32页 |
| 3.2.1 算法设计思路 | 第28-30页 |
| 3.2.2 算法描述 | 第30页 |
| 3.2.3 算法分析 | 第30-32页 |
| 3.3 GMDAV算法评价模型 | 第32-34页 |
| 3.3.1 基于属性的灰权信息损失评价模型AIL | 第33-34页 |
| 3.3.2 基于元组的灰权信息损失评价模型GIL | 第34页 |
| 3.4 算法比较 | 第34-36页 |
| 第四章 基于敏感属性的k匿名技术改进 | 第36-44页 |
| 4.1 基于敏感属性分布的(k,l,gp)-匿名模型 | 第36-41页 |
| 4.1.1 传统k-匿名模型局限性分析 | 第36-38页 |
| 4.1.2 (k,g)-匿名模型局限性分析 | 第38页 |
| 4.1.3 (k,l,gp)-匿名模型 | 第38-40页 |
| 4.1.4 模型比较 | 第40-41页 |
| 4.2 基于敏感属性个性化的(k,l,gp,a)-匿名模型 | 第41-44页 |
| 4.2.1 (k,l,gp)-匿名模型的局限性分析 | 第41页 |
| 4.2.2 (k,l,gp,a)-匿名模型 | 第41-44页 |
| 第五章 实验验证 | 第44-76页 |
| 5.1 GMDAV算法实验及分析 | 第44-52页 |
| 5.1.1 实验环境及数据准备 | 第45页 |
| 5.1.2 实验结果的信息损失分析 | 第45-50页 |
| 5.1.3 实验结果的隐私泄露风险分析 | 第50-51页 |
| 5.1.4 实验小结 | 第51-52页 |
| 5.2 (k,l,gp)-匿名模型实验及分析 | 第52-67页 |
| 5.2.1 实验环境及数据准备 | 第53-54页 |
| 5.2.2 实验结果的信息损失分析 | 第54-56页 |
| 5.2.3 实验结果的隐私泄露风险分析 | 第56-59页 |
| 5.2.4 实验结果的综合评价分析 | 第59-61页 |
| 5.2.5 精细度l对匿名结果的影响分析 | 第61-63页 |
| 5.2.6 频率均衡接近度gp对匿名结果的影响分析 | 第63-66页 |
| 5.2.7 实验小结 | 第66-67页 |
| 5.3 (k,l,gp,a)-匿名模型实验及分析 | 第67-76页 |
| 5.3.1 实验环境及数据准备 | 第67-68页 |
| 5.3.2 实验结果的信息损失分析 | 第68-69页 |
| 5.3.3 实验结果的隐私泄露风险分析 | 第69-72页 |
| 5.3.4 实验结果的综合评价分析 | 第72-74页 |
| 5.3.5 实验小结 | 第74-76页 |
| 结论与展望 | 第76-77页 |
| 参考文献 | 第77-82页 |
| 致谢 | 第82-83页 |
| 个人简历及研究成果 | 第83页 |
