张岐山，郭 昆

（1.福州大学 管理学院，福建 福州 350108； 2.福州大学 数学与计算机科学学院 福建 福州 350108）

0 引言

在数据挖掘工具日益强大的同时，在挖掘过程中可能导致隐私泄漏的问题也日益引起人们关注.因此，在挖掘有效信息的同时保护用户隐私已经成为数据挖掘领域的重要研究课题[1］.在发布数据前，对其中敏感属性（或字段）进行匿名处理是保护隐私的重要方法.目前，在静态数据隐私保护方面已经有相关研究成果[2-9］，k匿名[10］、l多样性[11］、t接近度[12］、ε-微分隐私[13］等设计准则被广泛使用.泛化（Generalization）和抑制（Suppression）是2种常见的数据匿名化技术.

在现实生活中，大量数据实际上是不断变化更新的数据流，如企业销售记录、医疗机构就诊信息、社交网络亲友信息等.在提交数据流用于数据挖掘时，需要考虑隐私保护问题.与静态数据的隐私保护相比，在发布数据流时保护用户隐私面临更大挑战.由于数据流具有潜在无限、流动迅速、变化频繁等特点[11］，要求算法具有更低的时间和空间复杂度.

LiFF等提出一系列基于扰动的数据流匿名算法[14］，通过向原始数据添加随机噪声数据，使攻击者无法从扰动后的数据中提取原始数据包含的信息.CASTLE算法[15］将数据流的匿名化看做一个连续聚类过程.当元组的到达时间超过一个时延阈值时，它们将以连续的方式被发布.B-CASTLE算法[16］通过设置簇大小上限解决CASTLE算法生成不平衡簇的问题.

笔者提出一种基于灰关联分析的数据流匿名算法（DSAoGRA），采用……