大数据差分隐私保护方案设计与实现.docx

本文采用数据挖掘中常用聚类K-means算法，并结合差分隐私技术，借由Hadoop的Mapreduce并行框架实行，并且改进传统的随机选择初始中心点的弊端，采用平均划分个数据集的方法得到初始中心点。迭代中在每个聚簇的属性向量和与数据总数目中加入Laplace噪声后计算聚类中心点，以此实现差分隐私保护。最终结果的评价通过设置两组对比实验得出：通过设置不同的隐私预算参数，在相同聚类个数下采用F-measure指标衡量最终聚类可用性，通过对比得出本文改进的算法在结果可用性上有一定改善；通过设置不同聚类个数，与原始聚类算法的对比评价聚类结果准确性，通过对比得出不同的聚类数目下对聚类的准确率影响较小，