信息时代给我们带来了数据在数量和复杂性上的爆炸性增长,也催生了富有挑战性的研究领域——数据挖掘。在很多情况下,数据由不同的组织持有、分布于不同的地理位置,而且持有者可能出于数据安全性和敏感性等原因不愿意直接共享他们的数据。怎样跨越数据挖掘和数据机密性之间的这道鸿沟进行各种研究和应用,是当前数据挖掘的一大研究方向,称为保护隐私的数据挖掘(Privacy-Preserving Data Mining,PPDM)。 保护隐私的数据挖掘方法有两大类,随机化方法和基于密码学的方法,本文关注前者,它有两种模式,基于随机数据扰乱以及基于随机响应的方法。 随机数据扰乱方法及重构技术难以消除由于属性变量本身相关性引起的数据泄露。本文介绍了一种利用主成分分析进行属性精简的增强随机化方法,降低了参与数据挖掘的属性数据间相关性,更好的保护了隐私数据,同时对此方法实施条件下数据遗失率及隐私保护性能进行了量化研究,得出隐私保护性能与属性精简程度和随机量数学特征之间的关系。 基于随机响应的隐私保护技术则借鉴了统计学研究中的经典方法,模拟调查者在尽量不侵犯被访者隐私情况下搜集有意义的统计数据的过程。本文介绍了随机响应技术与ID3决策树分类算法结合进行数据分类的过程,并将其引入关联规则挖掘应用环境中,构建了基于随机响应技术保护隐私数据的关联规则挖掘框架,并讨论了一个具体算例。