《表1 原始数据表：用于敏感属性保护的(θ,k)-匿名模型》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《"用于敏感属性保护的(θ,k)-匿名模型"》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

例如，表1为原始数据表，经过（p，k）-匿名泛化后得到表2的匿名数据表（p=6，k=6）.若攻击者已知被攻击者属于表2的等价类，由于该等价类中胃部疾病比例高达50%，因此攻击者可认为患者大概率患有胃部疾病，这种攻击称之为相似性攻击.若攻击者根据背景知识得知被攻击者患有骨科疾病，但不能明确具体的疾病值，根据表2中记录，由于只有骨折为骨科疾病，因此攻击者可推测出患者所患疾病为骨折，这种攻击称之为背景知识攻击.划分等价类时若记录敏感属性值语义相似的个数较多，等价类易受相似性攻击；若语义相似的个数较少，等价类易受背景知识攻击.对记录敏感属性值约束不足，导致数据表泛化后同时抵制两种攻击的性能不佳.本文提出（θ，k）-匿名保护模型，旨在通过分组优化模型的抗攻击性能.