Tạp chí Khoa học và Công nghệ trong lĩnh vực An toàn thông tin

(Journal of Science and Technology on Information security) ISSN 2615-9570

Bài viết

An Efficient Solution for Privacy-preserving Naïve Bayes Classification in Fully Distributed Data Model

DOI: 10.54654/isj.v1i15.840
Từ khóakhai phá dữ liệu và học máy đảm bảo tính riêng tưtính toán bảo mật nhiều thành viênphân lớp Naïve Bayesmã hóa đồng cấu; tính riêng tư của dữ liệu

Tóm tắt

Tóm tắt—Gần đây, bảo vệ tính riêng tư đã trở thành một trong những vấn đề quan trọng nhất trong khai phá dữ liệu và học máy. Trong bài báo này, chúng tôi đề xuất một bộ phân lớp Naïve Bayes đảm bảo tính riêng tư mới cho kịch bản dữ liệu phân tán đầy đủ trong đó mỗi bản ghi chỉ được giữ bởi một người sở hữu duy nhất. Giải pháp nhóm tác giả đề xuất được dựa trên tính toán bảo mật nhiều thành viên nên nó có khả năng bảo vệ an toàn sự riêng tư của mỗi người sở hữu dữ liệu cũng như đảm bảo tính chính xác của mô hình phân lớp. Hơn thế nữa, các kết quả thực nghiệm của chúng tôi chỉ ra rằng giải pháp mới đủ hiệu quả trong các ứng dụng thực tế.

Lượt tải theo tháng

03506/2407/2408/2409/2411/2412/2403/2506/2507/2508/2509/2510/2511/2512/2502/2603/2604/26

Di chuột vào cột để xem số lượt tải.

Cách trích dẫn

Vũ Duy Hiến, Lương Thế Dũng, Hoàng Đức Thọ (2022). An Efficient Solution for Privacy-preserving Naïve Bayes Classification in Fully Distributed Data Model. Tạp chí Khoa học và Công nghệ trong lĩnh vực An toàn thông tin, 1(15), 56-61. https://doi.org/10.54654/isj.v1i15.840

Tài liệu tham khảo

  1. 1.Y. Lindell and B. Pinkas, “Secure Multiparty Computation for Privacy-Preserving Data Mining,” J. Priv. Confidentiality, vol. 1, no. 1, pp. 59–98, 2009, doi: https://doi.org/10.29012/jpc.v1i1.566.
  2. 2.M. Kantarcıoˇglu, J. Vaidya, and C. Clifton, “Privacy Preserving Naive Bayes Classifier for Horizontally Partitioned Data,” presented at the IEEE ICDM workshop on privacy preserving data mining, 1-7, 2003. [Online]. Available: http://www.cis.syr.edu/~wedu/ppdm2003/papers /1.pdf
  3. 3.J. Vaidya, M. Kantarcioglu, and C. Clifton, “Privacy-preserving Naïve Bayes classification,” VLDB J., vol. 17, pp. 879–898, 2008, doi: https://doi.org/10.1007/s00778-006-0041-y.
  4. 4.B. Schneier, Applied Cryptography, 2nd ed. John Wiley & Sons, 1996.
  5. 5.C. Clifton, M. Kantarcioglu, J. Vaidya, X. Lin, and M. Y. Zhu, “Tools for Privacy Preserving Distributed Data Mining,” ACM SIGKDD Explor. Newsl., vol. 4, no. 2, pp. 28–34, 2002, doi: https://doi.org/10.1145/772862.772867.
  6. 6.Z. Yang, S. Zhong, and R. N. Wright, “PrivacyPreserving Classiflcation of Customer Data without Loss of Accuracy,” in Proceedings of the 2005 SIAM International Conference on Data Mining, 2005, pp. 92–102. doi: https://doi.org/10.1137/1.9781611972757.9.
  7. 7.X. Yi and Y. Zhang, “Privacy-preserving Naive Bayes classification on distributed data via semitrusted mixers,” Inf. Syst., vol. 34, pp. 371–380, 2009, doi: https://doi.org/10.1016/j.is.2008.11.001.
  8. 8.M. E. Skarkala, M. Maragoudakis, S. Gritzalis, and L. Mitrou, “PPDM-TAN: A PrivacyPreserving Multi-Party Classifier,” Computation, vol. 9, no. 6, pp. 1–25, 2021, doi: https://doi.org/10.3390/computation9010006.
  9. 9.P. Paillier, “Public-Key Cryptosystems Based on Composite Degree Residuosity Classes,” in International Conference on the Theory and Applications of Cryptographic Techniques, 1999, pp. 223–238. doi: https://doi.org/10.1007/3-540- 48910-X_16.
  10. 10.C. Gentry, “Fully homomorphic encryption using ideal lattices,” in Proceedings of the forty-first annual ACM symposium on Theory of computing, 2009, pp. 169–178. doi: https://doi.org/10.1145/1536414.1536440.
  11. 11.P. Li, J. Li, Z. Huang, C.-Z. Gao, W.-B. Chen, and K. Chen, “Privacy-preserving outsourced classification in cloud computing,” Clust. Comput., vol. 21, pp. 277–286, 2018, doi: https://doi.org/10.1007/s10586-017-0849-9.
  12. 12.M. Huai, L. Huang, W. Yang, L. Li, and M. Qi, “Privacy-preserving Naive Bayes classification,” in International conference on knowledge science, engineering and management, 2015, pp. 627–638. doi: https://doi.org/10.1007/978-3-319- 25159-2_57.
  13. 13.T. Li, J. Li, Z. Liu, P. Li, and C. Jia, “Differentially private Naive Bayes learning over multiple data sources,” Inf. Sci., vol. 444, pp. 89– 104, 2018, doi: https://doi.org/10.1016/j.ins.2018.02.056.
  14. 14.P. Li, T. Li, H. Ye, J. Li, X. Chen, and Y. Xiang, “Privacy-preserving machine learning with multiple data providers,” Future Gener. Comput. Syst., vol. 87, pp. 341–350, 2018, doi: https://doi.org/10.1016/j.future.2018.04.076.
  15. 15.V. Duy Hien, L. The Dung, and H. Tu Bao, “An efficient approach for secure multi-party computation without authenticated channel,” Inf. Sci., vol. 527, pp. 356–368, 2020, doi: https://www.doi.org/10.1016/j.ins.2019.07.031.
  16. 16.O. Goldreich, “Basic Applications,” in Foundations of Cryptography, vol. II, Cambridge University Press, 2004.
  17. 17.F. Hao, P. Y. A. Ryan, and P. Zielin´ski, “Anonymous voting by two-round public discussion,” IET Inf. Secur., vol. 4, no. 2, pp. 62– 67, 2010, doi: https://doi.org/10.1049/ietifs.2008.0127.
  18. 18.H. Hofmann, “Statlog (German Credit Data) Data Set,” 1994. https://archive.ics.uci.edu/ml/datasets/statlog+(g erman+credit+data)

Bài viết liên quan

An Efficient Solution for Privacy-preserving Naïve Bayes Classification in Fully Distributed Data Model | Tạp chí Khoa học và Công nghệ trong lĩnh vực An toàn thông tin