• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>IEEE Transactions on Parallel and Distributed Systems >A Scalable Two-Phase Top-Down Specialization Approach for Data Anonymization Using MapReduce on Cloud
【24h】

A Scalable Two-Phase Top-Down Specialization Approach for Data Anonymization Using MapReduce on Cloud

机译：在云上使用MapReduce的可扩展的两阶段自顶向下专业化数据匿名化方法

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

A large number of cloud services require users to share private data like electronic health records for data analysis or mining, bringing privacy concerns. Anonymizing data sets via generalization to satisfy certain privacy requirements such as $(k)$-anonymity is a widely used category of privacy preserving techniques. At present, the scale of data in many cloud applications increases tremendously in accordance with the Big Data trend, thereby making it a challenge for commonly used software tools to capture, manage, and process such large-scale data within a tolerable elapsed time. As a result, it is a challenge for existing anonymization approaches to achieve privacy preservation on privacy-sensitive large-scale data sets due to their insufficiency of scalability. In this paper, we propose a scalable two-phase top-down specialization (TDS) approach to anonymize large-scale data sets using the MapReduce framework on cloud. In both phases of our approach, we deliberately design a group of innovative MapReduce jobs to concretely accomplish the specialization computation in a highly scalable way. Experimental evaluation results demonstrate that with our approach, the scalability and efficiency of TDS can be significantly improved over existing approaches.
机译：大量的云服务要求用户共享诸如电子病历之类的私有数据以进行数据分析或挖掘，从而带来隐私问题。通过泛化来匿名化数据集以满足某些隐私要求，例如$（k）$-anonymity是隐私保护技术的一种广泛使用的类别。当前，随着大数据趋势的发展，许多云应用程序中的数据规模急剧增加，从而使通用软件工具在可容忍的经过时间内捕获，管理和处理此类大规模数据成为一个挑战。结果，由于其可伸缩性不足，对于现有的匿名化方法来说，在对隐私敏感的大规模数据集上实现隐私保护是一个挑战。在本文中，我们提出了一种可扩展的两阶段自上而下的专业化（TDS）方法，以使用云上的MapReduce框架匿名化大规模数据集。在我们方法的两个阶段中，我们故意设计一组创新的MapReduce作业，以高度可扩展的方式具体完成专业化计算。实验评估结果表明，使用我们的方法，可以比现有方法显着提高TDS的可扩展性和效率。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号