亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于極端梯度提升特征重要性的K-匿名特征選擇

        2020-09-10 06:50:56王旭萬長勝
        網(wǎng)絡(luò)空間安全 2020年8期
        關(guān)鍵詞:數(shù)據(jù)表特征選擇數(shù)據(jù)挖掘

        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。

        猜你喜歡
        數(shù)據(jù)表特征選擇數(shù)據(jù)挖掘
        探討人工智能與數(shù)據(jù)挖掘發(fā)展趨勢
        湖北省新冠肺炎疫情數(shù)據(jù)表
        黨員生活(2020年2期)2020-04-17 09:56:30
        基于列控工程數(shù)據(jù)表建立線路拓?fù)潢P(guān)系的研究
        基于并行計(jì)算的大數(shù)據(jù)挖掘在電網(wǎng)中的應(yīng)用
        電力與能源(2017年6期)2017-05-14 06:19:37
        Kmeans 應(yīng)用與特征選擇
        電子制作(2017年23期)2017-02-02 07:17:06
        聯(lián)合互信息水下目標(biāo)特征選擇算法
        一種基于Hadoop的大數(shù)據(jù)挖掘云服務(wù)及應(yīng)用
        圖表
        基于特征選擇和RRVPMCD的滾動軸承故障診斷方法
        基于二元搭配詞的微博情感特征選擇
        欧美aa大片免费观看视频| 国产av无毛无遮挡网站| 色婷婷久久亚洲综合看片| 国产精品vⅰdeoxxxx国产| 久久精品亚洲乱码伦伦中文| 99久久综合狠狠综合久久一区| 骚货人妻视频中文字幕| 人妻少妇中文字幕在线| 痉挛高潮喷水av无码免费| 日子2020一区二区免费视频| 国产精品亚洲一区二区三区正片 | 美腿丝袜诱惑一区二区| 男女上下猛烈啪啪免费看| 国产欧美日韩午夜在线观看| 日本岛国一区二区三区| 免费视频无打码一区二区三区| 人人爽久久涩噜噜噜丁香| 中文字幕天堂网| av有码在线一区二区| 女女同恋一区二区在线观看| 激情航班h版在线观看| 国产午夜精品一区二区三区不| 国内激情一区二区视频| 亚洲成熟女人毛毛耸耸多 | 色综合自拍| 人妻少妇精品视频中文字幕国语| 丰满少妇人妻久久精品| 久久精品成人无码观看不卡| 国产精品青草视频免费播放| 国产精品黄色av网站| 亚洲乱码国产乱码精华 | 国产成人小视频| 亚洲av无码资源在线观看| 国产美女黄性色av网站| 亚洲国产精品久久又爽av| 最近中文字幕大全在线电影视频| 亚洲中文字幕无码卡通动漫野外| 国产一区二区美女主播| 国产精品福利一区二区| 国内精品久久久久久无码不卡 | 亚洲天堂成人av在线观看|