翟 冉，陈学斌*，张国鹏，裴浪涛，马 征

（1.华北理工大学 理学院，河北 唐山 063210；2.河北省数据科学与应用重点实验室（华北理工大学），河北 唐山 063210；3.华北理工大学 唐山市数据科学重点实验室，河北 唐山 063210）

0 引言

大数据及相关技术给社会和科技发展带来了重大的影响，数据的开放共享也给科学研究、社会治理等领域提供了支撑条件，但数据开放共享的同时，也不可避免地造成了数据隐私的泄漏。为解决这一问题，研究人员提出了许多隐私保护方法。目前，应用较广泛的隐私保护方法有数据加密技术、数据失真技术和数据匿名化技术［1］。数据加密技术指将信息使用加密函数转换为密文，如同态加密技术［2］；数据失真技术指通过添加噪声的方式保护数据的安全，差分隐私技术［3］为常见的数据失真技术；数据匿名化技术指对数据进行泛化或隐匿。K-匿名［4］技术是目前应用较广泛的基于数据匿名化的隐私保护技术之一，原理为对数据进行泛化处理，使得对数据集中的每一个数据都有K-1 个数据与之相同。

传统的隐私保护方法主要考虑对数据进行保护，忽视了数据的可用性［5］。对拥有多个属性的数据集进行K-匿名处理时，由于属性的数量过多，为了使多个属性同时满足K-匿名特征，会产生过度隐匿现象，破坏数据的可用性。为了解决这个问题，本文提出一种基于随机森林（Random Forest，RF）的K-匿名隐私保护算法——RFK-匿名隐私保护。

本文首先用RF 算法［6］预测不同属性值的敏感程度，由于使用RF 算法对属性值的敏感程度进行预测会存在误差，因此利用k-means 聚类算法［7］将不同敏感程度的属性值分成不同集群，使每个集群中的属性敏感程度相近。……