عنوان: داده کاوی حفظ کننده حریم خصوصی برای ماتریس های عددی، شبکه های اجتماعی و داده های بزرگ (Big Data)
نوع مطلب: پایان نامه دکترای کامپیوتر
قالب: پی دی اف (PDF)
زبان: انگلیسی
تعداد صفحات: 164
سال انتشار: 2015
محل انتشار: دانشگاه تکنولوژی کنتاکی، آمریکا
چکیده پایان نامه
در این پایان نامه با توجه به آگاهی رو به رشد همگانی از استفاده احتمالی نادرست از اطلاعات محرمانه که مانعی بزرگ در توسعه جامعه الکترونیکی، بازارهای پزشکی و تجاری به حساب می آید، یک چارچوب داده کاوی حفظ کننده حریم خصوصی ارائه میشود که صاحبان داده ها بتوانند با دقت داده ها را به منظور نگهداری اطلاعات محرمانه و تضمین عملکرد اطلاعات تا یک حد قابل قبول پردازش کنند.
نخست، از میان بسیاری از روشهای نگهدارنده حریم خصوصی، یک کلاس از تکنیک های به هم ریختگی داده ها (Data Perturbation) به منظور دستیابی به یک تعادل میان سودمندی داده ها و حریم خصوصی اطلاعات برگزیده میشود که ابتدا یک توزیع آماری روی یک ماتریس عددی از داده های اولیه انجام میدهد و سپس یک سیگنال نویز به آن اضافه میکند. به کمک تجزیه و تحلیل فضای ویژه (eigenspace) داده های دستکاری شده، آسیب پذیری بالقوه یک روش دستکاری داده های معروف در حالت وجود اطلاعات درز کرده بسیار اندک از دیتابیس های نگهدارنده حریم خصوصی بررسی میشود. آسیب پذیری در برابر میزان بسیار اندکی از داده ها به صورت تئوری اثبات میشود و به صورت آزمایشی به تصویر کشیده میشود.
در ادامه، افزون بر ماتریس های عددی، شبکه های اجتماعی یک نقش حیاتی را در جامعه الکترونیکی بازی میکنند. به خاطر رسوایی های اخیر در میان برخی از فراهم کنندگان خدمات شبکه های اجتماعی معروف، امنیت و حریم خصوصی در شبکه های اجتماعی به میزان زیادی مورد توجه قرار گرفته اند. از همین رو، نیاز به حفاظت اطلاعات محرمانه برای در امان ماندن از سرقت، ما را ترغیب میکند که چندین تکنیک حفظ کننده حریم خصوصی برای شبکه های اجتماعی ارائه دهیم.
وابستگی ها یا وزن های چسبیده شده به یال ها محرمانه هستند و میتوانند منجر به لو رفتن اطلاعات شخصی شوند. به منظور حفظ محرمانگی شبکه های اجتماعی، چندین الگوریتم پیشنهاد میشود از جمله آشفتگی گوسی، الگوریتم حریصانه و الگوریتم قدم زدن تصادفی احتمالی. این الگوریتم ها میتوانند به سرعت داده های اولیه را اندازه های بسیار بزرگ تغییر دهند تا نیازمندیهای گوناگون حریم خصوصی را برآورده کنند.
در پایان، عصر داده های بزرگ (Big Data) در حال از راه رسیدن در عرصه های صنعتی و دانشگاهی است. سه جنبه از داده های بزرگ با حفظ حریم خصوصی، به دست آوردن اطمینان بالا در زمینه درستی هر پرس و جوی محرمانه خاص، به روز رسانی سریع و درست هر جریان باینری با آگاهی از میزان اعمال ورودی-خروجی، و راه اندازی بازیابی اطلاعات خصوصی دوطرفه برای داده های بزرگ بررسی میشوند. هر سه جنبه با دو ستون فقرات اصلی، حریم خصوصی تفاضلی و کران های چرنوف (Chernoff Bound) مدیریت میشوند.
Abstract
Motivated by increasing public awareness of possible abuse of confidential information, which is considered as a significant hindrance to the development of e-society, medical and financial markets, a privacy preserving data mining framework is presented so that data owners can carefully process data in order to preserve confidential information and guarantee information functionality within an acceptable boundary.
First, among many privacy-preserving methodologies, as a group of popular techniques for achieving a balance between data utility and information privacy, a class of data perturbation methods adds a noise signal, following a statistical distribution, to an original numerical matrix. With the help of analysis in eigenspace of perturbed data, the potential privacy vulnerability of a popular data perturbation is analyzed in the presence of very little information leakage in privacy-preserving databases. The vulnerability to very little data leakage is theoretically proved and experimentally illustrated.
Second, in addition to numerical matrices, social networks have played a critical role in modern e-society. Security and privacy in social networks receive a lot of attention because of recent security scandals among some popular social network service providers. So, the need to protect confidential information from being disclosed motivates us to develop multiple privacy-preserving techniques for social networks.
Affinities (or weights) attached to edges are private and can lead to personal security leakage. To protect privacy of social networks, several algorithms are proposed, including Gaussian perturbation, greedy algorithm, and probability random walking algorithm. They can quickly modify original data in a large-scale situation, to satisfy different privacy requirements.
Third, the era of big data is approaching on the horizon in the industrial arena and academia, as the quantity of collected data is increasing in an exponential fashion. Three issues are studied in the age of big data with privacy preservation, obtaining a high confidence about accuracy of any specific differentially private queries, speedily and accurately updating a private summary of a binary stream with I/O-awareness, and launching a mutual private information retrieval for big data. All three issues are handled by two core backbones, differential privacy and the Chernoff Bound.
فهرست مطالب:
Contents
Chapter 1 Introduction to Privacy Preserving Data Mining
1.1 Introduction to PPDM on Numerical Matrices
1.2 Introduction to PPDM on Social Networks
1.3 Literature Reviews
Chapter 2 Privacy Vulnerability with General Perturbation for Numerical Data
2.1 Background and Contributions
2.2 Privacy Breach Analysis
2.3 Experimental Results
2.4 Summary
Chapter 3 Wavelet-Based Data Perturbation for Numerical Matrices
3.1 Background and Contributions
3.2 Algorithms
3.3 Normalization
3.4 Experimental Results
3.5 Summary
Chapter 4 Privacy Preservation in Social Networks with Sensitive Edge Weights
4.1 Background
4.2 Edge Weight Perturbation
4.3 Experiments
4.4 Summary
Chapter 5 Privacy Preservation of Affinities Social Networks via Probabilistic Graph
5.1 Background
5.2 Data Utility and Privacy
5.3 Modification Algorithm
5.4 Experimental Results
5.5 Summary
Chapter 6 Differential Privacy in the Age of Big Data
6.1 A Roadmap to the Following Chapters and Contributions
6.2 Preliminaries about Differential Privacy
Chapter 7 A User-Perspective Accuracy Analysis of Differential Privacy
7.1 Comparison of ~ d and d
7.2 Comparison of sigma P ~ di and di
7.3 Max, Min, Sum, and Mean
Chapter 8 An I/O-Aware Algorithm for a Differentially Private Mean of a Binary Stream
8.1 Introduction
8.2 Analysis of Previous Methods
8.3 Private Mean Releasing Scheme
8.4 The Chernoff Bounds
Chapter 9 Security Information Retrieval on Private Data Sets
9.1 Introduction
9.2 Accuracy Analysis of the Naive Solution
9.3 Wavelet Transformation of ~y
9.4 Sparsification Strategy for w~y
Chapter 10 Future Works
10.1 Differential Privacy for Small-Valued Numbers
10.2 Verification of Differential Privacy
Bibliography
کلمات کلیدی:
دانلود پایان نامه داده های بزرگ، دانلود پایان نامه کلان داده ها، دانلود پایان نامه داده های حجیم، دانلود پایان نامه Big Data، دانلود پایان نامه داده کاوی، دانلود پایان نامه Data Mining، شبکه های اجتماعی، دانلود پایان نامه Social Networks، دانلود پایان نامه کامپیوتر، دانلود پایان نامه انگلیسی کامپیوتر، تز دکتری کامپیوتر، تز ارشد کامپیوتر، تز کارشناسی ارشد کامپیوتر، دانلود پایان نامه رشته کامپیوتر، دانلود پایان نامه کارشناسی ارشد کامپیوتر، دانلود پایان نامه دکتری کامپیوتر، دانلود پایان نامه دکترای کامپیوتر، مقاله آی اس آی، مقاله ای اس ای، مقاله آی اس آی 2015، مقاله isi 2015، مقاله رشته کامپیوتر، مقاله داده کاوی، مقاله داده های بزرگ، مقاله شبکه های اجتماعی، مقاله ماتریس های عددی، مقاله 2015 ، مقاله انگلیسی ترجمه شده، مقاله کامپیوتر ترجمه شده، مقاله داده های بزرگ ترجمه شده، مقاله ترجمه شده جدید داده های بزرگ، مقاله ترجمه شده جدید، مقاله با ترجمه، مقاله ISI با ترجمه، 2015 Thesis, ISI Article, Big data Thesis, Data mining thesis, privacy preserving data mining thesis, numerical matrices thesis, social network analysis thesis, numerical matrix, social networks analysis
(قیمت ترجمه این پایان نامه با بهترین کیفیت، کاملا تخصصی و تایپ شده: حدود 1 میلیون و 200 هزار تومان، زمان تقریبی ترجمه 30 روز)
پس از خرید از درگاه امن بانکی لینک دانلود در اختیار شما قرار میگیرد و همچنین به آدرس ایمیل شما فرستاده میشود.
تماس با ما برای راهنمایی، درخواست مقالات و پایان نامه ها و یا ترجمه با آدرس ایمیل:
ArticleEbookFinder@gmail.com
شماره تماس ما در نرم افزار واتس آپ:
+98 921 764 6825
شماره تماس ما در نرم افزار تلگرام:
+98 921 764 6825
توجه: اگر کارت بانکی شما رمز دوم ندارد، در خرید الکترونیکی به مشکل برخورد کردید و یا به هر دلیلی تمایل به پرداخت الکترونیکی ندارید با ما تماس بگیرید تا راههای دیگری برای پرداخت به شما پیشنهاد کنیم.
دانلود پایان نامه دکترای انگلیسی 2015 داده های بزرگ (Big Data) – داده کاوی حفظ کننده حریم خصوصی
