【技術實現步驟摘要】
本專利技術涉及加密，尤其涉及一種基于多態模糊邏輯的大數據隱私聚合加密方法。
技術介紹
1、隨著大數據技術的快速發展，數據隱私保護問題逐漸成為公眾和
的關注焦點，在醫療、金融、社交涉及敏感信息的大數據場景中如何在數據共享和處理過程中保護隱私安全已成為亟需解決的重要課題，數據隱私保護不僅關乎個人權益，也直接關系到數據驅動技術的普及和應用，然而，當前的技術體系在實現隱私保護與數據利用之間的平衡方面存在諸多挑戰。
2、目前，傳統的數據隱私保護方法主要采用靜態加密技術或簡單的脫敏處理，靜態加密技術通過對數據的整體加密防止未經授權的訪問，但其缺點在于加密強度與計算復雜度呈線性關系，在大數據場景下由于數據量龐大和異構性強，靜態加密往往會導致處理效率低下難以滿足實時性需求，同時，脫敏處理雖然能夠降低計算復雜度但過于簡單的規則設計容易削弱數據的可用性，甚至導致敏感信息的泄露。
3、近年來，模糊邏輯和智能優化算法開始逐步引入數據隱私保護領域以應對上述問題，模糊邏輯利用不確定性處理能力可以實現對復雜數據的多層次保護，優化算法則能夠動態調整加密參數以適應不同場景，然而在實際應用中仍存在不足：一方面，現有模糊邏輯方法的規則設計大多依賴人為經驗，難以動態適配異構數據和多場景需求；另一方面，傳統優化算法易陷入局部最優導致隱私保護強度和計算效率無法達到理想水平，此外，現有技術在數據聚合和分布式存儲方面缺乏統一的隱私保護機制，難以同時滿足數據處理效率和隱私安全的要求。
技術實現思路
1
2、根據本專利技術實施例的一種基于多態模糊邏輯的大數據隱私聚合加密方法，包括如下步驟：
3、s1、對目標數據集進行預處理，生成包含隱私敏感信息的待加密數據集；
4、s2、基于多態模糊邏輯構建模糊邏輯規則庫；
5、s3、利用苦魚優化算法對所述模糊邏輯規則庫中的模糊隸屬度函數參數和模糊化規則進行優化，生成動態優化的模糊邏輯規則；
6、s4、使用優化后的模糊邏輯規則對待加密數據集中的每一數據元素進行模糊化處理，將隱私敏感數據轉化為模糊集合，形成模糊化數據集；
7、s5、基于模糊化數據集引入聚合加密機制，將模糊化數據集中具有相似特性的隱私敏感數據按照相似度進行聚合，并根據優化目標確定數據塊劃分策略，形成優化后的聚合數據塊；
8、s6、利用動態加密密鑰生成策略對優化后的聚合數據塊進行加密處理，生成加密數據塊，同時生成與加密數據塊對應的索引信息；
9、s7、將加密數據塊和索引信息存儲至分布式存儲系統，基于數據訪問權限規則對分布式存儲系統的訪問進行動態控制，使不同權限的訪問用戶僅能獲取加密數據塊中與其權限匹配的數據。
10、可選的，所述s1包括以下具體過程：
11、s11、對目標數據集進行數據清洗，檢測并去除目標數據集中存在的冗余數據、不完整數據和異常數據；
12、s12、對數據清洗后的目標數據集進行格式標準化處理，對數值型數據、分類型數據和時間型數據分別進行標準化；
13、s13、對標準化后的目標數據集進行隱私敏感屬性標注，基于領域知識預定義敏感屬性集合s，對目標數據集中的每一列數據進行屬性分類，并判定其是否屬于敏感屬性集合s，若數據列屬于敏感屬性集合s，則標注該列為隱私敏感屬性；
14、s14、基于數據清洗、格式標準化和隱私敏感屬性標注的目標數據集，生成包含隱私敏感信息的待加密數據集。
15、可選的，所述s2包括以下具體過程：
16、s21、針對目標數據集中不同數據類型、隱私敏感等級及場景需求構建用于對待加密數據集內各屬性數據進行模糊化描述的多態模糊隸屬度函數，多態模糊隸屬度函數通過整合高斯型模糊隸屬度函數、三角形模糊隸屬度函數及離散類型模糊隸屬度函數的形式實現，對同一屬性在不同場景下的模糊描述進行統一表達：
17、；
18、其中，表示待加密數據集中屬性序號為的屬性，表示針對第個應用場景的隱私需求，為屬性在數據記錄中的數值，丶及為權重參數，用于平衡高斯型模糊隸屬度函數、三角形模糊隸屬度函數及離散類型模糊隸屬度函數在場景下的貢獻度，權重參數在大數據隱私聚合加密中決定不同類型數據在模糊化過程中的影響力度，及為高斯型隸屬度函數的中心與標準差參數，,,為三角形隸屬度函數的下界、峰值與上界參數，用于對數值域的屬性數據進行模糊化，適應不同隱私敏感等級的需求，為分類型數據的離散值集合中的第v個可能值，為指示函數，用于對分類型數據進行特定值匹配的模糊描述，進而在大數據隱私聚合加密過程中對分類型屬性的隱私特性進行粒度化處理，為分類型數據在場景下的可能取值個數，g表示高斯型隸屬度函數，t表示三角形隸屬度函數，cat表示離散型數據的類別特性，v表示當前正在處理的離散值索引；
19、s22、基于多態模糊隸屬度函數構建模糊化規則集合r，對待加密數據集中的隱私敏感屬性及場景下的應用需求進行模糊決策映射，定義模糊規則的匹配度為：
20、；
21、式中，為第k條規則在場景下對待加密數據集的匹配度，為隱私敏感屬性集合，對應標注的敏感屬性，為規則針對屬性的權重參數，為規則匹配度調節參數，為待加密數據集的記錄數，為遍歷待加密數據集中所有記錄后對該屬性模糊隸屬度的累積，表示對于數據集中任意一條數據記錄d；
22、s23、對模糊化參數集合p進行多態初始化，滿足大數據隱私聚合加密對多樣數據類型和隱私需求的動態適應性；
23、s24、基于多態模糊隸屬度函數、模糊化規則集合r和模糊化參數集合p構建多態模糊邏輯規則庫f：
24、。
25、可選的，所述s3包括以下具體過程：
26、s31、模糊邏輯規則庫f針對隱私保護強度、加密效率和解密準確性三大目標定義綜合優化目標函數：
27、；
28、其中，表示衡量模糊化后的隱私保護程度，定義為模糊隸屬度與目標閾值的偏差倒數，表示反映加密效率，定義為加密時間與數據規模的倒數，表征解密數據與原始數據的相似度，,,為權重參數；
29、s32、構建初始化苦魚種群，每個個體表示模糊邏輯規則庫f中的一組具體參數配置，設置種群規模、逃逸個體比例、苦魚激活閾值和最大迭代次數；
30、s33、對每個種群個體基于模糊邏輯規則庫和優化目標函數計算適應度值：
31、；
32、其中，反映種群個體對優化目標的綜合滿足程度，用于選取最優解；
33、s34、苦魚優化的更新規則包括對適應度未觸發激活閾值的種群個體，更新種群個體參數：
34、；
35、其中，為更新后的種群個體參數，為當前代種群個體參數，為學習步長，為當前代最優種群個體本文檔來自技高網...
【技術保護點】
1.一種基于多態模糊邏輯的大數據隱私聚合加密方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的一種基于多態模糊邏輯的大數據隱私聚合加密方法，其特征在于，所述S1包括以下具體過程：
3.根據權利要求1所述的一種基于多態模糊邏輯的大數據隱私聚合加密方法，其特征在于，所述S2包括以下具體過程：
4.根據權利要求1所述的一種基于多態模糊邏輯的大數據隱私聚合加密方法，其特征在于，所述S3包括以下具體過程：
5.根據權利要求1所述的一種基于多態模糊邏輯的大數據隱私聚合加密方法，其特征在于，所述S4包括以下具體過程：
6.根據權利要求1所述的一種基于多態模糊邏輯的大數據隱私聚合加密方法，其特征在于，所述S5包括以下具體過程：
7.根據權利要求6所述的一種基于多態模糊邏輯的大數據隱私聚合加密方法，其特征在于，所述S6包括以下具體過程：
【技術特征摘要】
1.一種基于多態模糊邏輯的大數據隱私聚合加密方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的一種基于多態模糊邏輯的大數據隱私聚合加密方法，其特征在于，所述s1包括以下具體過程：
3.根據權利要求1所述的一種基于多態模糊邏輯的大數據隱私聚合加密方法，其特征在于，所述s2包括以下具體過程：
4.根據權利要求1所述的一種基于多態模糊邏輯的大數據隱私聚合加密方法，...
【專利技術屬性】
技術研發人員：馬晶，
申請(專利權)人：深圳奧賽思科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。