| 摘要 | 第2-3页 |
| abstract | 第3页 |
| 第一章 绪论 | 第6-10页 |
| 1.1 研究意义及背景 | 第6-7页 |
| 1.2 国内外研究现状 | 第7-8页 |
| 1.3 隐私保护研究的难点 | 第8页 |
| 1.4 论文的创新点 | 第8页 |
| 1.5 本篇论文的基本框架 | 第8-10页 |
| 第二章 关键理论及技术 | 第10-19页 |
| 2.1 k-匿名模型 | 第10-11页 |
| 2.2 (α, k )-匿名模型 | 第11-12页 |
| 2.3 L-多样性模型（L-diversity） | 第12页 |
| 2.4 T-逼近模型 | 第12-13页 |
| 2.5 k-匿名信息损失度量 | 第13-15页 |
| 2.5.1 DM/DM*度量标准 | 第13-14页 |
| 2.5.2 基于熵的度量标准 | 第14页 |
| 2.5.3 混合型变量的度量标准 | 第14-15页 |
| 2.6 数据匿名化技术 | 第15-18页 |
| 2.6.1 泛化的概念 | 第15-16页 |
| 2.6.2 隐匿 | 第16-17页 |
| 2.6.3 微聚集 | 第17页 |
| 2.6.4 其他技术 | 第17-18页 |
| 2.7 小结 | 第18-19页 |
| 第三章 基于聚类的 (α, k)-匿名改进算法研究 | 第19-31页 |
| 3.1 前言 | 第19页 |
| 3.2 最大相异度聚类 | 第19-22页 |
| 3.2.1 距离度量 | 第20-22页 |
| 3.2.2 基于最大相异度聚类 | 第22页 |
| 3.3 基于聚类的（α,k）- 匿名改进算法 | 第22-27页 |
| 3.3.1 算法描述 | 第22-25页 |
| 3.3.2 信息损失量计算 | 第25-26页 |
| 3.3.3 算法流程图 | 第26-27页 |
| 3.4 算法正确性与时间复杂度 | 第27-28页 |
| 3.4.1 算法正确性分析 | 第27页 |
| 3.4.2 算法时间复杂度分析 | 第27-28页 |
| 3.5 实验结果 | 第28-30页 |
| 3.5.1 数据质量 | 第28-29页 |
| 3.5.2 执行效率 | 第29-30页 |
| 3.6 本章小结 | 第30-31页 |
| 第四章 基于微聚集的L-多样性匿名改进算法研究 | 第31-45页 |
| 4.1 引言 | 第31页 |
| 4.2 L-多样性 | 第31-32页 |
| 4.3 微聚集算法类质心判定 | 第32-33页 |
| 4.4 基于微聚集的L-多样性匿名改进算法 | 第33-41页 |
| 4.4.1 算法描述 | 第33-37页 |
| 4.4.2 信息损失量 | 第37-39页 |
| 4.4.3 算法流程图 | 第39-41页 |
| 4.5 算法正确性与时间复杂度 | 第41-42页 |
| 4.5.1 算法正确性分析 | 第41页 |
| 4.5.2 算法时间复杂度分析 | 第41-42页 |
| 4.6 实验结果 | 第42-44页 |
| 4.6.1 数据质量 | 第42-43页 |
| 4.6.2 执行效率 | 第43-44页 |
| 4.7 本章小结 | 第44-45页 |
| 第五章 总结与展望 | 第45-46页 |
| 5.1 总结 | 第45页 |
| 5.2 展望 | 第45-46页 |
| 参考文献 | 第46-48页 |
| 致谢 | 第48-49页 |