屈晶晶，蔡 英，范艳芳，夏红科

北京信息科技大学计算机学院，北京100101

大数据时代，数据的发布和利用是推动知识、经济和社会进步的关键。相关研究机构会利用这些数据资源，进行挖掘分析，从而为大众提供更好的服务。然而在提供巨大利益的同时，向公众发布个人数据将对用户的隐私构成相当大的威胁。为了确保用户隐私安全，需要对其进行保护。但是，如何保证所发布的数据既是可用的，又不会泄露数据中所包含的隐私信息，成为数据发布隐私保护研究的重难点。

k-anonymity[1]及其扩展的系列算法是保护用户隐私信息的重要方式。k-anonymity 旨在使每个记录与至少k-1 个其他记录无法区分。k-anonymity 侧重于处理准标识符属性（例如，年龄、性别、邮政编码和民族），因为它们可链接到外部可识别的数据源中的类似属性。虽然k-anonymity 已被证明可提供相当有用的匿名结果，但是在攻击者可能获得其他背景知识的前提下，对于小k，它很容易受到缺乏非匿名机密属性的多样性攻击。已提出对k-anonymity 模型的若干改进，包括l-diversity[2]和t-closeness[3]，可以防止这种情况发生。

差分隐私模型[4]作为一种众所周知的隐私保护模型，可以在不对攻击者的背景知识做任何假设的前提情况下，通过向数据查询或者分析结果中添加一定量的噪声进行对数据的扰动从而提供隐私保证。通过这种方式，发布的数据不会影响任何个人的隐私，因此差分隐私提供了比k-anonymity 模型更加强大的隐私保证。

差分隐私数据发布分为交互式框架和非交互式框架。……