王旭，萬長勝

〔1.東南大學(xué)網(wǎng)絡(luò)空間安全學(xué)院，江蘇南京 211189；2.網(wǎng)絡(luò)空間國際治理研究基地(東南大學(xué))，江蘇南京211189〕

1 引言

隨著互聯(lián)網(wǎng)行業(yè)的迅速崛起，全球數(shù)據(jù)量呈指數(shù)級增長，數(shù)據(jù)的采集與發(fā)布越發(fā)頻繁，信息數(shù)據(jù)共享更加方便。然而在大數(shù)據(jù)帶來極高商業(yè)價(jià)值的同時(shí)，以共享信息和數(shù)據(jù)挖掘?yàn)槟康牡臄?shù)據(jù)發(fā)布過程中出現(xiàn)的隱私泄露事件頻發(fā)，例如FaceBook與數(shù)據(jù)分析公司Cam-bridge Analytica的不當(dāng)共享造成8,700萬用戶個(gè)人信息泄露[1]等。

為了避免數(shù)據(jù)發(fā)布時(shí)的隱私泄露問題，K-匿名模型在隱私保護(hù)領(lǐng)域得到了廣泛的應(yīng)用。然而將部分?jǐn)?shù)據(jù)匿名化，勢必會導(dǎo)致數(shù)據(jù)挖掘算法性能的下降，因此本文提出了一種基于極端梯度提升特征重要性的K-匿名特征選擇算法，并通過在真實(shí)數(shù)據(jù)集上的實(shí)驗(yàn)，驗(yàn)證了本文的算法無論在平衡隱私保護(hù)和數(shù)據(jù)挖掘性能方面還是在運(yùn)行效率方面都優(yōu)于文獻(xiàn)[2]中基于Greedy_Ha- -mdist的特征選擇算法。

2 基本概念和技術(shù)

2.1 隱私保護(hù)中的數(shù)據(jù)屬性定義

數(shù)據(jù)發(fā)布或共享時(shí)最常用的數(shù)據(jù)類型為關(guān)系型數(shù)據(jù)表，數(shù)據(jù)屬性一般可分為標(biāo)識符、準(zhǔn)標(biāo)識符、敏感屬性和非敏感屬性4類。例如，表1所示某醫(yī)院的就診記錄表部分?jǐn)?shù)據(jù)，當(dāng)將此部分?jǐn)?shù)據(jù)進(jìn)行共享發(fā)布時(shí)，由于涉及到病人的隱私，一般需要將信息脫敏，最簡單的方法便是將姓名屬性去除。但是當(dāng)攻擊者擁有某些患者的背景知識，通過一些屬性的組合也可以推斷出患者隱私，例如已知張三是一名郵編為102211的42歲女性患者，即使數(shù)據(jù)表中沒有姓名這一屬性，也可推測出張三患有感冒。其中，姓名即為標(biāo)識符，疾病為敏感屬性，而性別、年齡以及郵編屬于準(zhǔn)標(biāo)識符，非敏感屬性即不屬于上述三類的特征。

表1 就診記錄表

2.2 K-匿名特征選擇

（1）K-匿名概念

K匿名模型常用于抵抗鏈接攻擊，為了便于討論，設(shè)待發(fā)布數(shù)據(jù)如表2所示，該數(shù)據(jù)表包含X1,...Xn共n條記錄，其中Ai（i=1，2，...m）為準(zhǔn)標(biāo)識屬性，AS為敏感屬性。

隱私模型要求每條記錄在公布的數(shù)據(jù)中與其他至少K-1條記錄無法被區(qū)分開來[3]?？梢?，K-匿名模型要求對匿名處理后的數(shù)據(jù)表中的每條記錄Xi，都應(yīng)至少有K-1條記錄在準(zhǔn)標(biāo)識符上的取值與Xi相同。K值越大，說明無法區(qū)分的記錄越多，攻擊者由準(zhǔn)標(biāo)識符推斷出敏感信息的概率越低，即隱私泄露的風(fēng)險(xiǎn)越小。

表2 待發(fā)布數(shù)據(jù)表

（2）K-匿名特征選擇

對于給定的K值，待發(fā)布數(shù)據(jù)表不一定可以滿足K-匿名模型的要求，此時(shí)就需要對數(shù)據(jù)表中的準(zhǔn)標(biāo)識屬性進(jìn)行選擇，使得選擇出來的特征子集構(gòu)成的數(shù)據(jù)表滿足K-匿名模型的要求。如表3所示，Ai（i=1，2...5）為待匿名特征，假設(shè)K-匿名模型選取K為2，如果特征集為（A1，A4，A5），即表中灰色部分的數(shù)據(jù)，則該子集滿足2-匿名的條件。

表3 K-匿名特征選擇示例

2.3 極端梯度提升特征重要性

XGBoost (Extreme Gradient Boosting)也稱作極端梯度提升，算法的基本思想是選擇部分的特征和樣本生成一個(gè)簡單的模型（本文為決策樹）作為基本分類器，通過學(xué)習(xí)前一個(gè)模型的殘差并最小化目標(biāo)函數(shù)來生成新模型，重復(fù)執(zhí)行此過程直到滿足終止條件，最終生成大量簡單模型并組合為準(zhǔn)確率較高的綜合模型。其核心在于新的模型在相應(yīng)損失函數(shù)梯度方向建立，修正“殘差”的同時(shí)控制復(fù)雜度[4]。

（1）目標(biāo)函數(shù)

XGBoost的目標(biāo)函數(shù)由損失函數(shù)和正則項(xiàng)兩部分組成，損失函數(shù)：

其中，N為樣本個(gè)數(shù)，yi為第i個(gè)樣本的標(biāo)簽，fm(xi)為第i個(gè)樣本在第m次迭代中的預(yù)測值。L（θ）以LogLoss為損失函數(shù)，設(shè)其關(guān)于fm(xi)一階導(dǎo)數(shù)和二階導(dǎo)數(shù)可分別表示為gi和hi，則通過泰勒展開式可以將L(θ)近似表示為：

本文所用的基本模型為回歸樹，正則項(xiàng)表達(dá)式為：

其中，T為葉子節(jié)點(diǎn)個(gè)數(shù)，w為每個(gè)葉子節(jié)點(diǎn)的權(quán)值，γ與λ分別為T和w的懲罰系數(shù)，二者控制樹的復(fù)雜度從而防止過擬合。經(jīng)決策樹被歸至葉子節(jié)點(diǎn)Ij的樣本的損失函數(shù)的一階導(dǎo)數(shù)和二階導(dǎo)數(shù)之和可分別表示為Gi和Hi，去除常數(shù)項(xiàng)部分，對其關(guān)于w求導(dǎo)得到使目標(biāo)函數(shù)最小的最優(yōu)w，將其帶入目標(biāo)函數(shù)，函數(shù)變?yōu)椋?/p>

（2）特征重要性度量指標(biāo)

重要性度量是衡量每個(gè)特征對樣本進(jìn)行分類時(shí)貢獻(xiàn)程度的方法，XGBoost一般可以根據(jù)特征分裂的平均次數(shù)、特征平均覆蓋率和特征的平均增益對特征重要性進(jìn)行度量。由于前兩者只是反映了特征在模型分裂過程中作為決定性特征出現(xiàn)的相對頻率和次數(shù)，而平均增益直接反映了以此特征分裂后帶來的準(zhǔn)確率的提升程度，是解釋特征重要性的最相關(guān)屬性，因此本文主要通過特征平均增益來確定每個(gè)特征的重要性指標(biāo)。

設(shè)該模型最終共有X個(gè)決策樹，對每個(gè)特征的重要性度量指標(biāo)計(jì)算，需要將其在每棵樹（即每個(gè)基分類器）中的增益相加并取平均，即：

3 實(shí)驗(yàn)算法與思路

3.1 問題引入

通過特征選擇的方法可以實(shí)現(xiàn)數(shù)據(jù)集的K-匿名從而保護(hù)數(shù)據(jù)隱私，但是從全部特征中得到最佳匿名特征子集是NP完全問題，如表3所示，其中除了（A1，A4，A5）滿足2-匿名要求，（A2，A4，A5）也滿足2-匿名的條件。在對不同的特征對應(yīng)的子集進(jìn)行數(shù)據(jù)挖掘時(shí)，其分類性能是不同的，為了使得在隱私得到保護(hù)的前提下數(shù)據(jù)挖掘分類性能較高，本文提出了利用極端梯度提升算法度量特征重要性，按照特征重要性對原始數(shù)據(jù)集特征進(jìn)行排序，并采用序列前向搜索的貪心策略，進(jìn)行K-匿名特征選擇[5]。

3.2 實(shí)驗(yàn)算法

根據(jù)實(shí)驗(yàn)思路，通過極端梯度提升算法衡量每個(gè)特征重要性，并根據(jù)其重要性將特征降序排序，特征子集初始化為空集，并依次把分類性能最高（特征重要性指標(biāo)最大）的特征加入特征子集，并判斷數(shù)據(jù)在特征子集上是否符合K-匿名條件，若具有K-匿名性，則將該特征留下，否則剔除，具體算法如算法1所示。

算法1：XGB-KA(D,K)

算法第8行K-anonymity_test(D′)用來判斷數(shù)據(jù)集D′是否滿足K-匿名條件，即任一條記錄都至少有K-1條記錄在準(zhǔn)標(biāo)識特征上與其具有相同的取值（即有相同的準(zhǔn)標(biāo)識符），具體實(shí)現(xiàn)過程如算法2所示，其中2～9行實(shí)現(xiàn)了等價(jià)類的劃分（每個(gè)q為一個(gè)等價(jià)類，字典中q對應(yīng)的取值表示該等價(jià)類中包含多少條記錄）。

4 實(shí)驗(yàn)流程與結(jié)果分析

4.1 數(shù)據(jù)集介紹

為了驗(yàn)證本文提出的XGB-KA算法可以有效地平衡數(shù)據(jù)分類挖掘性能和隱私保護(hù)程度，本次實(shí)驗(yàn)選取了兩個(gè)UCI常用的真實(shí)數(shù)據(jù)集—Adult以及Breast-Cancer-Wisconsin數(shù)據(jù)集進(jìn)行特征選擇和數(shù)據(jù)挖掘，由于文獻(xiàn)[2]中Greedy-Hamdist算法整體思路與本文類似，只是衡量特征重要性所用算法不同，因此將本文算法與Greedy-Hamdist算法在挖掘分類性能和運(yùn)行效率兩個(gè)方面進(jìn)行對比。

算法2：K-anonymity_test(D′)

Breast-Cancer-Wisconsin數(shù)據(jù)集共699條記錄，11個(gè)特征；Adult數(shù)據(jù)集共32,561條記錄，14個(gè)特征，本次實(shí)驗(yàn)按照原數(shù)據(jù)集正負(fù)樣本比例隨機(jī)抽取了1,500條記錄。

4.2 實(shí)驗(yàn)流程

本次實(shí)驗(yàn)首先對數(shù)據(jù)集進(jìn)行預(yù)處理，然后利用極端梯度提升特征重要性進(jìn)行K-匿名特征選擇，最后通過SVM模型對匿名后的子數(shù)據(jù)集進(jìn)行分類。算法性能采用Precision和Recall兩個(gè)指標(biāo)進(jìn)行測評，算法效率則通過運(yùn)行時(shí)間進(jìn)行對比分析。

本次實(shí)驗(yàn)環(huán)境為：Intel（R） Core（TM）i5-5200U CPU @2.20GHZ 2.20GHZ；4.00GB（RAM）內(nèi)存；Windows 10 64位操作系統(tǒng)。算法均通過Python3.7.5實(shí)現(xiàn)。

4.3 數(shù)據(jù)分類挖掘性能分析

在不同的K值下，對本文提出的XGB-KA算法和文獻(xiàn)[2]提出的Greedy-Hamdist算法在兩個(gè)數(shù)據(jù)集上分別進(jìn)行分類實(shí)驗(yàn)，得到的結(jié)果如圖1-圖4所示。當(dāng)K=0時(shí)，數(shù)據(jù)集隱私完全沒有受到隱私保護(hù)，隨著K值的增大，隱私保護(hù)程度越來越高，但由于只保留較重要的特征，分類性能在可接受的范圍內(nèi)有所下降。除此之外，無論K值為多少，本文提出的XGB-KA算法性能都優(yōu)于Greedy-Hamdist算法，可見在同等隱私保護(hù)程度的前提下，XGB-KA的分類性能優(yōu)于Greedy-Hamdist算法。

圖1 兩種算法在不同K值下的Precision1

圖2 兩種算法在不同K值下的Recall1

4.4 算法效率分析

通過統(tǒng)計(jì)不同K之下兩個(gè)算法運(yùn)行的時(shí)間來比較其效率，實(shí)驗(yàn)結(jié)果如圖5和圖6所示，由于不同的K值下需要剔除的特征數(shù)量不同，兩種算法在不同K值的運(yùn)行時(shí)間均有一定的波動，但本文提出的XGB-KA算法運(yùn)行時(shí)間均短于Greedy-Hamdist算法，這表明XGB-KA算法運(yùn)行效率更優(yōu)。

圖3 兩種算法在不同K值下的Precision2

圖4 兩種算法在不同K值下的Recall2

圖5 兩種算法在不同K值下的運(yùn)行效率1

圖6 兩種算法在不同K值下的運(yùn)行效率2

5 結(jié)束語

本文利用極端梯度提升特征重要性衡量特征對分類結(jié)果的貢獻(xiàn)度，并結(jié)合K-匿名條件對數(shù)據(jù)集進(jìn)行特征選擇，使得經(jīng)過選擇后的特征子集在原始數(shù)據(jù)集上投影得到的子數(shù)據(jù)集在得到隱私保護(hù)的同時(shí)保持了較好的分類性能。實(shí)驗(yàn)結(jié)果證明，無論在分類性能還是在實(shí)現(xiàn)效率上，本文提出的XGB-KA算法都優(yōu)于文獻(xiàn)[2]中的Greedy-Hamdist算法。

未來可以考慮將特征選擇方法與其他隱私保護(hù)模型相結(jié)合或者利用其它更加高效的特征重要性度量方法，更好地實(shí)現(xiàn)隱私保護(hù)程度和數(shù)據(jù)挖掘性能之間的平衡。