| 摘要 | 第5-7页 |
| Abstract | 第7-9页 |
| 第1章 绪论 | 第13-31页 |
| 1.1 研究背景、目的和意义 | 第13-14页 |
| 1.2 国内外的研究现状 | 第14-26页 |
| 1.2.1 隐私与隐私保护的发展 | 第14-19页 |
| 1.2.2 数据共享中的隐私保护方法研究现状 | 第19-26页 |
| 1.3 论文的研究内容 | 第26-28页 |
| 1.4 论文的组织结构 | 第28-29页 |
| 1.5 本章小结 | 第29-31页 |
| 第2章 效用增强的匿名技术 | 第31-51页 |
| 2.1 引言 | 第31-32页 |
| 2.2 相关研究 | 第32-36页 |
| 2.2.1 基本概念 | 第32-34页 |
| 2.2.2 传统的匿名化技术 | 第34-36页 |
| 2.3 最近邻搜索的p-敏感k-匿名算法 | 第36-46页 |
| 2.3.1 近邻法 | 第37-39页 |
| 2.3.2 距离度量 | 第39-41页 |
| 2.3.3 信息损失度量 | 第41-43页 |
| 2.3.4 最近邻搜索的p-敏感k-匿名方法 | 第43-46页 |
| 2.3.5 算法的正确性和复杂性分析 | 第46页 |
| 2.4 仿真实验及结果分析 | 第46-49页 |
| 2.4.1 实验数据及参数设定 | 第46页 |
| 2.4.2 信息损失分析 | 第46-48页 |
| 2.4.3 执行时间分析 | 第48-49页 |
| 2.5 本章小节 | 第49-51页 |
| 第3章 L-多样性匿名技术 | 第51-69页 |
| 3.1 引言 | 第51-52页 |
| 3.2 相关研究 | 第52-59页 |
| 3.2.1 l-多样性模型 | 第52-56页 |
| 3.2.2 面向隐私保护的聚类模型 | 第56-59页 |
| 3.3 基于聚类的增强l-多样性方法 | 第59-64页 |
| 3.3.1 数据概化及信息损失 | 第59-61页 |
| 3.3.2 算法描述 | 第61-63页 |
| 3.3.3 算法的正确性和复杂性分析 | 第63-64页 |
| 3.4 仿真实验及结果分析 | 第64-68页 |
| 3.4.1 实验数据及参数设定 | 第64-65页 |
| 3.4.2 信息损失分析 | 第65-67页 |
| 3.4.3 执行时间分析 | 第67-68页 |
| 3.5 本章小结 | 第68-69页 |
| 第4章 核密度估计的模式分类隐私保护算法 | 第69-85页 |
| 4.1 引言 | 第69-71页 |
| 4.2 相关研究 | 第71-74页 |
| 4.2.1 基本概念 | 第71-72页 |
| 4.2.2 核密度估计 | 第72-74页 |
| 4.3 核密度估计的大规模数据模式分类隐私保护方法 | 第74-75页 |
| 4.4 仿真实验及结果分析 | 第75-82页 |
| 4.4.1 实验1:CPPPW算法分类性能分析 | 第75-80页 |
| 4.4.2 实验2:CPPPW算法隐私保护性能分析 | 第80-82页 |
| 4.5 本章小结 | 第82-85页 |
| 第5章 基于主成分分析的模式分类隐私保护算法 | 第85-99页 |
| 5.1 引言 | 第85-86页 |
| 5.2 相关研究 | 第86-89页 |
| 5.2.1 基本概念 | 第86-89页 |
| 5.2.2 主成分分析 | 第89页 |
| 5.3 基于主成分分析的稀疏数据模式分类隐私保护算法 | 第89-91页 |
| 5.4 仿真实验及结果分析 | 第91-98页 |
| 5.4.1 实验1:CPPPCA算法分类性能分析 | 第91-94页 |
| 5.4.2 实验2:CPPPCA算法隐私保护性能分析 | 第94-97页 |
| 5.4.3 隐私保护效果的理论分析 | 第97-98页 |
| 5.5 本章小结 | 第98-99页 |
| 结论 | 第99-101页 |
| 参考文献 | 第101-111页 |
| 攻读博士学位期间发表的论文和取得的科研成果 | 第111-112页 |
| 致谢 | 第112-113页 |
