论文部分内容阅读
联机分析处理(On-LineAnalyticalProcessing，简称OLAP)技术作为基于数据仓库(DataWarehouse，简称DW)的一种应用，利用多维数据模型，对企业已有的各种数据进行分析，发掘业务变动与趋势，有效支持企业的科学管理与决策。
随着OLAP技术的广泛使用，对数据更深入的分析，使数据拥有者越来越担心各自的隐私是否会在OLAP过程中被泄露给不信任的人。这种担心的加剧使得OLAP的进一步普及受到一定的阻碍。因此，目前面向隐私保护的OLAP研究已经引起了学术界的关注，成为近期的一个研究热点，并已经取得了一定的成果。由于OLAP的多维立方体构建和使用涉及多种类型和性质的隐私，现有的研究大都只针对某种特定的隐私进行保护，并取得了不错的效果；但是，目前尚没有一个很好的方法能够同时满足OLAP过程中出现的多种隐私保护需求。
针对这种状况，本文提出了一个统一描述OLAP过程中各种隐私保护需求与对应保护方法的框架模型，并在此基础上设计了一种基于聚集干扰的OLAP隐私保护方法，有效地保护了OLAP过程中的多种隐私。本文的主要研究内容与成果如下：
1.针对OLAP的隐私保护需求，结合相关方法的研究，提出了OLAP的三阶段隐私保护体系架构，全面地分析和描述OLAP全过程的隐私保护需求与对应保护策略。
2.在上述OLAP的三阶段隐私保护体系架构下，设计了一个基本聚集结果随机干扰(BasicAggregationRandomPerturbation，简称BARP)方法，在多个互不信任的数据源和一个非可信中心站点的条件下，实现了对多种隐私的有效保护，同时保证OLAP系统的可用性。并在此基础上，针对不同层次的隐私保护要求，进一步扩展了该方法，使之具有更强的灵活性和可应用性。
3.针对提出的隐私保护方法，量化定义了干扰后聚集计算结果的可用程度(Usability)和隐私保护程度(Privacy)的度量标准，对隐私保护方法的效果进行有效地评估。
由于隐私的复杂性，出现了很多不同的隐私保护方法，这也导致衡量保护方法的指标，尤其是隐私保护程度，有很多不同的定义。本文通过分析和理论推导，定义了具有一定通用性的可用程度和隐私保护程度的度量，作为评估隐私保护OLAP方法的依据。
大数据量的实验证明此方法结合OLAP的特点，能够在保证很好地保护多种隐私的同时，提供了可用程度比较高的聚集结果，成功化解了隐私保护与信息利用的矛盾。