2．分布式匿名化

在分布式环境下，数据匿名化的重点问题是：如何在通信时既能保证站点数据隐私不泄露，又可以收集得到足够的信息来满足数据挖掘规则的要求，从而使实现的数据匿名保护的利用率尽量高。

以在垂直划分的数据环境下实现两方的分布式 k-匿名为例。两个站点 S1和 S2，它们拥有的数据分别为{ IDA, A1₁, A1₂ ,L, A1_n } ， IDA2₁ , A2₂ ,L, A2_n }。其中 ^Ai j为 Si拥有数据的第 j个属性。利用可交换加密在通信过程中隐藏原始信息，再构建完整的匿名表判断是否满足 k-匿名条件来实现分布式匿名化。

在水平划分的数据环境中，可以通过引入第三方，利用满足以下性质的密钥来实现数据的 k-匿名化：每个站点加密私有数据并传递给第三方，当且仅当有 k条数据记录的准标志符属性值相同时，第三方的密钥才能解密这k条数据记录。

更一般地，不考虑数据的具体存储模式，一种能确保分布式环境下隐私安全的模型是 k-TTP（k-Trusted Third Party）。k-TTP利用信任第三方，确保了当且仅当至少有 k个站点的信息改变时，所有站点的相关统计信息才能被披露。k-TTP模型的约束，使我们不能揭露少于 k个站点的统计信息。

3．分布式关联规则挖掘

关联规则挖掘是数据挖掘领域中的一个非常重要的研究课题，它于1993年由 R.Agrawal等人首先提出。关联规则挖掘就是从大量的数据中挖掘出描述数据项之间相互联系的有价值的知识。关联规则挖掘可以发现存在于数据库中的项目或属性间的有意义的关系，这些关系是事先未知的且隐藏的，也就是说不能通过数据库的逻辑操作（如表的联接）或统计的方法得出。

目前人们对基于分布式数据库的关联规则挖掘研究并不太多，主要有四种典型的算法，它们分别是PDM（Parallel DataMining）、CD（CountDistribution）、FDM（FastDistributed association rules Mining）和 DMA（Distributed Mining of Association rules）。这四种算法都没有考虑安全性的要求，这是一个很大的缺陷。通常情况下，要处理的数据都分布在很多独立的数据库服务器上，它们相互独立且自成一体，缺少安全保证的数据挖掘算法在分布式环境下是不可靠的。数据本身可能携带有一些敏感信息，在对其进行挖掘的过程中就可能发生隐私泄露，损害用户的利益。因此，在分布式环境下，必须对待处理的数据进行一定的隐私保护，以保证计算结果有效的同时，不会泄露隐私信息。

（1）水平分布下关联规则挖掘的隐私保护算法

数据水平分布的关联规则挖掘的目的是寻找全局关联规则。在水平分布的数据库中，一个项集的全局支持度是所有局部支持度之和，可以由局部频繁项集产生全局频繁项集。隐私保护的一般思路是保证参与关联分析的各个站点只能知道自身的频繁项集和支持度，而无法知晓其他站点的频繁项集和支持度。虽然参与关联分析的各个站点需要共享数据以及关联规则，但是为了保护各自的隐私，各个站点都不愿意把自己数据里的敏感信息泄露给其他站点，因此在共享数据之前需要对数据进行清洗，以消除敏感信息和规则。

（2）垂直分布下关联规则挖掘的隐私保护算法

数据垂直分布下的关联规则挖掘的关键在于项集中的项分布在不同站点，需要在这样的情况下计算项集的支持度。通过参与关联分析的各个站点的中间数据计算出项集支持度，然后将该项集支持度同最小支持度阈值进行比较，即可判定该项集是否频繁。隐私保护的关键在于如何安全地计算出项集支持度，即在计算项集支持度的同时执行安全的协议。

例如，在数据垂直划分的分布式环境中，需要解决的问题是：如何利用分布在不同站点的数据计算项集（item set）计数，找出支持度大于阈值的频繁项集。此时，计算项集计数的问题被简化为在保护隐私数据的同时，在不同站点间计算标量积的问题。已有计算标量积的方法包括引入随机向量进行安全计算或用随机数代替真实值，然后用代数方法进行计算等。