支持差分隐私保护及离群点消除的并行K-means算法

作者：樊一康; 刘建伟^*

来源：计算机应用研究, 2019, 36(06): 1776-1787.

DOI：10.19734/j.issn.1001-3695.2017.12.0825

• K-均值聚类
• 离群点消除
• 差分隐私
• MapReduce

针对大数据环境下聚类分析的隐私保护问题,基于MapReduce计算框架,提出了一种并行化的支持差分隐私保护和离群点消除的K-means算法。算法并行地计算数据集中各点间的欧氏距离矩阵与最近邻超球半径以导出离群点的判定阈值,并在此基础上完成差分隐私保护下的初始聚类中心选取和并行聚类过程。理论分析证明整个算法满足ε-差分隐私保护,实验结果说明该算法在隐私保护的有效性、聚类结果的可用性以及执行效率等方面取得了很好的平衡,相比于同类算法有较优的表现。

• 单位
  北京航空航天大学; 电子信息工程学院