2．阻塞与凝聚
随机化技术一个无法避免的缺点是：针对不同的应用都需要设计特定的算法对转换后的数据进行处理，因为所有的应用都需要重建数据的分布。鉴于随机化技术存在的这个缺陷，研究人员提出了凝聚技术：它将原始数据记录分成组，每一组内存储着由 k条记录产生的统计信息，包括每个属性的均值、协方差等。这样，只要是采用凝聚技术处理的数据，都可以用通用的重构算法进行处理，并且重构后的记录并不会披露原始记录的隐私，因为同一组内的 k条记录是两两不可区分的。
与随机化技术修改数据、提供非真实数据的方法不同，阻塞技术采用的是不发布某些特定数据的方法，因为某些应用更希望基于真实数据进行研究。阻塞技术具体反应到数据表中，即是将某些特定的值用一个不确定符号代替。例如通过引入除 {0,1}外的代表不确定值的符号“ ?”可以实现对布尔关联规则的隐藏。由于某些值被“ ?”代替，那么对某些项集的计数则为一个不确定的值，位于一个昀小估计值和昀大估计值范围内。于是，对于敏感关联规则的隐藏即是设计一种算法，在阻塞尽量少的数据值情况下将敏感关联规则可能的支持度和置信度控制在预定的阈值以下。类似于对关联规则的隐藏，利用阻塞技术还可以实现对分类规则的隐藏。
3．差分隐私保护
差分隐私保护可以保证，在数据集中添加或删除一条数据不会影响到查询输出结果，因此即使在最坏情况下，攻击者已知除一条记录之外的所有敏感数据，仍可以保证这一条记录的敏感信息不会被泄露。
定义5-1对于所有差别至多为一个记录的两个数据集 D1和 D2， Range(K)表示一个随机函数 K的取值范围，Pr[Es]表示事件Es的披露风险，若随机函数 K提供ε-差分隐私保护，则对于所有S⊆Range( K) ，有



计算出的披露风险取决于随机化函数 K的值。

图 5-21描绘了差别至多为一个记录的两个数据集 D1和 D2满足ε-差分隐私的披露风险曲线。


随机函数 K的选择与攻击者所具有的知识无关，只要 K满足定义 5-1就可以保护数据集中任意数据的隐私，即使攻击者已经掌握其他的所有数据。
在满足ε-差分隐私保护时，ε越小，加入的噪声越多，隐私保护的级别越高。因此可以通过设置不同的ε值来实现隐私保护等级的划分。
每一种隐私保护方法都会基于一种攻击模型（Attacking Model），如 k-匿名和 l-diversity所基于的攻击模型假设攻击者对敏感属性的信息一无所知，否则隐私便无法得到保护。差分隐私所定义的攻击模型是：最坏情况下，攻击者已知除一条记录之外的所有数据的敏感属性，在这种情况下，这条记录的敏感属性信息仍然可以得到保护。因为由定义 5-1可知，当数据集 D1和 D2之间只相差一个记录时，无论对 D1和 D2进行什么查询，都会得到近似“相同”的查询结果，因此攻击者在一定的概率下无法推断出该记录的任何敏感属性信息。