×

基于局部密度估计的隐私保护异常检测。 (英语) Zbl 1504.68197号

摘要:异常检测在金融、生物医学等领域得到了广泛的研究。然而,现有的大多数算法都具有较高的时间复杂度。另一个重要问题是如何在保护数据隐私的同时有效地检测异常。本文提出了一种基于局部密度估计(LDEM)的快速异常检测算法。LDEM的关键见解是一种快速局部密度估计器,它通过所有特征的平均密度来估计实例的局部密度。每个特征的局部密度可以通过定义的映射函数来估计。此外,我们基于所提出的方案和同态加密提出了一个高效的方案PPLDEM,用于检测多方参与情况下的异常实例。与现有的隐私保护方案相比,我们的方案需要更少的通信开销和计算开销。从安全性分析来看,我们的方案不会泄露参与者的隐私信息。实验结果表明,我们提出的方案PPLDEM可以有效地检测异常实例,例如,使用可穿戴传感器识别66至86岁健康老年人在临床环境中的活动。

MSC公司:

68T09号 数据分析和大数据的计算方面
62G07年 密度估算
62页第10页 统计学在生物学和医学中的应用;元分析
62兰特 大数据和数据科学的统计方面
68第27页 数据隐私
PDF格式BibTeX公司 XML格式引用
全文: 内政部

参考文献:

[1] D.M.Hawkins,《异常值的识别》,斯普林格出版社,(1980年)·Zbl 0438.62022号
[2] E.M.Knox,R.T.Ng,挖掘大型数据集中基于距离的离群值的算法,《超大数据库国际会议论文集》,Citeser,1998年,392-403。可用
[3] X.Wang,X.L.Wang,M.Wilkes,一种基于距离的快速离群值检测技术,数据挖掘工业会议-后期和研讨会,2008,25-44。可用
[4] M.Sugiyama,K.Borgwardt,通过采样快速基于距离的离群值检测,神经信息处理系统进展,2013年,467-475。可用
[5] 何志浩,徐旭,邓绍,发现基于聚类的局部异常值,模式识别。莱特。,24(2003),1641-1650·Zbl 1048.68084号
[6] Z.Chen,A.W.C.Fu,J.Tang,关于聚类和离群检测方案的互补性,数据仓库和知识发现国际会议,Springer,2003,234-243。可用
[7] C.Zhang,H.Liu,A.Yin,时间序列异常子序列检测算法研究,国际先驱计算机科学家、工程师和教育工作者会议,Springer,2017,12-26。可用
[8] C.Zhang,A.Yin,Y.Wu,Y.Chen,X.Wang,带隐私保护的快速时间序列不一致检测,2018年IEEE第17届计算与通信信任、安全和隐私国际会议(TrustCom),IEEE,2018年,1129-1139。可用
[9] H.P.Kriegel,M.Schubert,A.Zimek,高维数据中基于角度的异常值检测,第14届ACM SIGKDD知识发现和数据挖掘国际会议论文集,2008,444-452。可用
[10] N.Pham,R.Pagh,高维数据中基于角度的离群点检测的近线性时间近似算法,第18届ACM SIGKDD知识发现和数据挖掘国际会议论文集,ACM,2012,877-885。可用
[11] M.M.Breunig,H.P.Kriegel,R.T.Ng,J.Sander,Lof:识别基于密度的局部异常值,ACM sigmod记录,2000,93-104。可用
[12] J.Gao、W.Hu、Z.M.Zhang、X.Zhang,O.Wu,Rkof:基于稳健核的局部离群点检测,亚太知识发现和数据挖掘会议,Springer,2011,270-283。可用
[13] L.Duan,L.Xu,G.Feng,J.Lee,B.Yan,带噪声的基于局部密度的空间聚类算法,信息系统。,32(2007),978-986。
[14] B.Tang,H.He,基于局部密度的离群值检测方法,神经计算,241(2017),171-180。
[15] C.Zhang,A.Yin,Y.Deng,P.Tian,X.Wang,L.Dong,基于三叉树的新型异常检测算法,云计算国际会议,2018,295-306。可用
[16] M.Kantarc oglu,C.Clifton,私有计算分布式k-nn分类器,PKDD2004:第八届欧洲数据库知识发现原则与实践会议,意大利比萨,2004,279-290。可用
[17] X.Lin,C.Clifton,M.Zhu,分布式em混合建模的隐私保护聚类,Knowl。信息系统。,8 (2005), 68-81.
[18] L.Li,L.Huang,W.Yang,X.Yao,A.Liu,隐私保护lof离群值检测,Knowl。Inf.Syst.公司。,42 (2015), 579-597.
[19] C.Zhang,Y.Zhou,J.Guo,G.Wang,X.Wang,基于支持向量机的高维类平衡数据集分类方法研究,Int.J.Mach。学习。赛博。,10 (2019), 1765-1778.
[20] L.T.Dung,H.T.Bao,《隐私保护离群值检测的分布式解决方案》,2011年第三届国际知识与系统工程会议,2011年,第26-31页。可用
[21] T.Li、Z.Huang、P.Li,Z.Liu、C.Jia,加密数据的外包隐私保护分类服务,J.Network Compute。申请。,106 (2018), 100-110.
[22] Z.Yu,C.Gao,Z.Jing,B.B.Gupta,Q.Cai,基于噪声学习奇偶性的实用公钥加密方案,IEEE Access,6(2018),31918-31923。
[23] T.Li,W.Chen,Y.Tang,H.Yan,多源同态网络编码签名方案及其在物联网中的应用,Secur。Commun公司。网络,2018(2018),9641273。
[24] R.H.Jhaveri,N.M.Patel,Y.Zhong,A.K.Sangaiah,工业物联网中基于攻击模式发现的移动自组网可信路由方案的敏感性分析,IEEE Access,6(2018),20085-20103。
[25] C.Gao、S.Lv、Y.Wei、Z.Wang、Z.Liu、X.Cheng
[26] M.Xi、J.Wu、J.Li、G.Li和Sema-icn:面向语义信息中心网络支持智能异常访问检测,2018 IEEE全球通信会议(GLOBECOM),2018,1-6。可用
[27] V.Sharma、R.KUMAR、W.Cheng、M.Attiquezzaman、K.Srinivasan、A.Y.Zomaya
[28] T.ElGamal,基于离散对数的公钥密码系统和签名方案,IEEE Trans。《信息论》,31(1985),469-472·Zbl 0571.94014号
[29] R.Bendlin,I.Damgárd,C.Orlandi,S.Zakarias,《半同态加密与多方计算》,《密码技术理论与应用年度国际会议——Springer》,2011年,169-188。可用·Zbl 1281.94015号
[30] I.Damgárd,V.Pastro,N.Smart,S.Zakarias,《基于某种对称加密的多方计算》,《密码学进展-密码2012》,Springer,2012年,643-662。可用·Zbl 1296.94104号
[31] A.Peter,E.Tews,S.Katzenbeisser,《在多个密钥下高效外包多方计算》,IEEE Trans。Inf.法医安全。,8 (2013), 2046-2058.
[32] X.Liu,R.H.Deng,K.K.R.Choo,J.Weng,一个高效的具有多个密钥的隐私保护外包计算工具包,IEEE Trans。Inf.法医安全。,11(2016),2401-2414。
[33] E.Bresson,D.Catalano,D.Pointcheval,《一种具有双重陷门解密机制的简单公钥密码系统及其应用》,密码学和信息安全理论与应用国际会议,《密码学进展-ASIACRYPT 2003》,37-54。可用·Zbl 1205.94075号
[34] S.Sathe,C.C.Aggarwal,带随机散列的线性时间子空间异常值检测,数据挖掘(ICDM),2016年IEEE第16届国际会议,IEEE,2016年,459-468。可用
[35] W.哈珀
[36] C.C.Aggarwal,S.Sathe,离群群的理论基础和算法,ACMSIGKDD Explor。新闻。,17 (2015), 24-47.
[37] Y.Chen、E.Keogh、B.Hu、N.Begum、A.Bagnall、A.Mueen等,《加州大学时间序列分类档案》,2015年,可用
[38] F.T.Liu,K.M.Ting,Z.H.Zhou,《隔离森林》,第八届IEEE数据挖掘国际会议,IEEE,2008,413-422。可用
[39] 刘凤堂,丁国明,周振华,基于隔离的异常检测,ACM Trans。知识。《发现数据》,6(2012),3。
[40] R.L.S.Torres,R.Visvanathan,S.Hoskins,A.V.D.Hengel,D.C.Ranasinghe,无电池无线可穿戴传感器系统识别健康老年人的床和椅子出口的有效性,Sensors,16(2016),546。
[41] S.Goldwasser,S.Micali,概率加密,J.Compute。系统。科学。,28 (1984), 270-299. ·Zbl 0563.94013号
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配,可能包含数据转换错误。在某些情况下,zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献,而不要求完整或完全匹配。