| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外的研究与进展 | 第11-12页 |
| 1.3 论文组织结构和内容 | 第12-14页 |
| 第二章 差分隐私保护和数据挖掘聚类算法相关理论 | 第14-25页 |
| 2.1 隐私保护概述 | 第14-15页 |
| 2.1.1 隐私的定义和分类 | 第14-15页 |
| 2.1.2 数据挖掘与隐私保护 | 第15页 |
| 2.2 常用隐私保护技术 | 第15-18页 |
| 2.2.1 k-anonymity隐私保护 | 第15-17页 |
| 2.2.2 l-diversity隐私保护 | 第17-18页 |
| 2.2.3 t-closeness隐私保护 | 第18页 |
| 2.3 差分隐私 | 第18-24页 |
| 2.3.1 差分攻击 | 第18页 |
| 2.3.2 差分隐私相关定义 | 第18-20页 |
| 2.3.3 差分隐私的实现机制 | 第20-22页 |
| 2.3.4 差分隐私特性 | 第22-23页 |
| 2.3.5 差分隐私保护框架 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第三章 基于拉普拉斯机制的差分隐私保护K-MEANS++聚类算法研究 | 第25-51页 |
| 3.1 K-MEANS++聚类算法及信息泄露问题 | 第25-28页 |
| 3.1.1 K-means与K-means++聚类算法对比 | 第25-28页 |
| 3.1.2 K-means++聚类算法隐私泄露问题 | 第28页 |
| 3.2 差分隐私K-MEANS++聚类算法的提出 | 第28-33页 |
| 3.2.1 生成初始化中心点保护策略 | 第29-30页 |
| 3.2.2 ε-差分隐私保护的K-means++聚类算法 | 第30-32页 |
| 3.2.3 算法流程 | 第32-33页 |
| 3.3 实验及结果分析 | 第33-50页 |
| 3.3.1 实验数据集 | 第34-36页 |
| 3.3.2 数据集预处理 | 第36-38页 |
| 3.3.3 实验评价指标 | 第38-39页 |
| 3.3.4 动态调整隐私预算ε对聚类效果的影响和结果分析 | 第39-49页 |
| 3.3.5 DPK-means++算法实验结果ARI评价 | 第49-50页 |
| 3.4 本章小结 | 第50-51页 |
| 第四章 基于拉普拉斯机制的差分隐私保护K-MEANS++的谱聚类算法研究 | 第51-65页 |
| 4.1 谱聚类算法 | 第51-53页 |
| 4.1.1 谱聚类算法思想 | 第51-52页 |
| 4.1.2 谱聚类最优化方法及其优点 | 第52-53页 |
| 4.2 基于拉普拉斯机制的差分隐私保护K-MEANS++的谱聚类算法的提出 | 第53-57页 |
| 4.2.1 谱聚类算法相关理论基础 | 第53-55页 |
| 4.2.2 基于拉普拉斯机制的差分隐私保护K-means++的谱聚类算法 | 第55-57页 |
| 4.3 实验及结果分析 | 第57-64页 |
| 4.3.1 实验方案 | 第57-59页 |
| 4.3.2 实验分析 | 第59-64页 |
| 4.4 本章小结 | 第64-65页 |
| 第五章 总结和展望 | 第65-67页 |
| 5.1 总结 | 第65页 |
| 5.2 下一步工作 | 第65-67页 |
| 参考文献 | 第67-70页 |
| 致谢 | 第70页 |
