陈恒恒，倪志伟*，朱旭辉，金媛媛，陈 千

（1.合肥工业大学管理学院，合肥 230009；2.过程优化与智能决策教育部重点实验室（合肥工业大学），合肥 230009）

（*通信作者电子邮箱zhwnelson@163.com）

0 引言

随着大数据时代的全面到来，数据发布过程中的个人隐私面临更严重的威胁，如何做好隐私防护显得尤为重要。差分隐私作为一种可以对保护强度进行量化评估的隐私保护技术，无需考虑攻击者背景知识，在数据发布方面得到了广泛应用，逐渐成为隐私保护领域的一个研究热点［1］。现有研究对低维数据的发布问题作了诸多努力，但实际应用中高维数据的发布需求往往更为强烈，并且低维数据的隐私发布方法难以处理高维数据，直接加噪会导致数据可用性降低、查询结果敏感度增大等问题［2］。

针对高维数据的差分隐私发布，通常使用的方法是降维，利用有效的维度转换方法得到低维数据，再对转换后的低维数据集添加噪声，已有研究涉及阈值过滤技术［3］、随机投影［4］、主成分分析［5］、概率图模型［6-8］等方法。文献［3］基于阈值过滤技术选择部分属性达到降维目的，文献［4］通过随机投影技术学习原始数据集向量之间的L2 距离，文献［5］将主成分降维用于差分隐私数据发布，文献［6］利用贝叶斯网络来推理属性之间的关联关系，文献［7］基于Markov 网络构建属性集群，文献［8］采用隐树模型对高维数据的维度相关性进行结构学习，文献［9］利用组合原理选择低维视图构建低维加噪边缘表用于数据发布，文献［10］结合截断和分组两种技术以提高隐私数据发布结果准确性，文献［11］计算Copula 函数来描述多变量随机向量之间的相关性。……