PHÂN LỚP NAIVE BAYES ĐẢM BẢO TÍNH RIÊNG TƯ  CHO MÔ HÌNH DỮ LIỆU PHÂN TÁN NGANG

Nguyễn Văn Chung; Nguyễn Văn Tảo

doi:10.34238/tnu-jst.8980

PHÂN LỚP NAIVE BAYES ĐẢM BẢO TÍNH RIÊNG TƯ CHO MÔ HÌNH DỮ LIỆU PHÂN TÁN NGANG

Thông tin bài báo

Ngày nhận bài: 12/10/23 Ngày hoàn thiện: 06/11/23 Ngày đăng: 06/11/23

Các tác giả

1. Nguyễn Văn Chung , Trường Cao đẳng Kinh tế - Kỹ thuật Vĩnh Phúc
2. Nguyễn Văn Tảo, Trường Đại học Công nghệ thông tin và Truyền thông - ĐH Thái Nguyên

Tóm tắt

Quá trình khai phá dữ liệu có thể tiết lộ thông tin nhạy cảm về các cá nhân hoặc tổ chức vì thế xâm phạm quyền riêng tư của họ. Mục đích chính của lĩnh vực khai phá dữ liệu đảm bảo tính riêng tư là xây dựng các kỹ thuật khác nhau nhằm tìm kiếm ra các tri thức hoặc thông tin có giá trị trong khi dữ liệu và thông tin nhạy cảm vẫn được giữ riêng bởi các chủ sở hữu. Tính đến nay đã có nhiều giải pháp được đề xuất, tuy nhiên các giải pháp này có hiệu năng thấp hoặc chưa đảm bảo được tính riêng tư. Bài báo này xây dựng giải pháp phân lớp dữ liệu Naive Bayes đảm bảo tính riêng tư trong kịch bản dữ liệu phân tán ngang nhiều thành viên trên cơ sở ứng dụng giao thức tính Tổng bảo mật. Giao thức đề xuất được đánh giá tính riêng tư, tính chính xác và hiệu quả tốt so với các giải pháp hiện tại. Để khẳng định tính hiệu quả của giải pháp đề xuất, phần thực nghiệm tác giả sử dụng ngôn ngữ lập trình python để trực quan hóa kết quả. Cụ thể là xây dựng giải pháp phân lớp dữ liệu Naive Bayes đảm bảo tính riêng tư cho mô hình phát hiện tin nhắn rác, kết quả thực nghiệm cho thấy giải pháp được đề xuất có khả năng ứng dụng tốt vào thực tế.

Từ khóa

Phân lớp dữ liệu; Phân mảnh ngang; Tính riêng tư; Tính chính xác; Mô hình bán trung thực

Toàn văn:

PDF

Tài liệu tham khảo

[1] K. Bonawitz, V. Ivanov, B. Kreuter, A. Marcedone, H. McMahan, S. Patel, D. Ramage, A. Segal, and K. Seth, “Practical Secure Aggregation for Privacy-Preserving Machine Learning,” in CCS’17, ACM, 2017, pp. 1175–1191, doi: 10.1145/3133956.3133982.

[2] G. A. Kaissis, M. R. Makowski, D. Rückert, and R. F. Braren, “Secure, privacy-preserving and federated machine learning in medical imaging,” Nat. Mach. Intell., vol. 2, no. 6, pp. 305–311, Jun. 2020, doi: 10.1038/s42256-020-0186-1.

[3] X. Zhou, K. Xu, N. Wang, J. Jiao, N. Dong, M. Han, and H. Xu, “A Secure and Privacy-Preserving Machine Learning Model Sharing Scheme for Edge-Enabled IoT,” IEEE Access, vol. 9, pp. 17256–17265, 2021, doi: 10.1109/ACCESS.2021.3051945.

[4] E. Zorarpacı and S. A. Özel, “Privacy preserving classification over differentially private data,” WIREs Data Min. Knowl. Discov., vol. 11, no. 3, pp. 1–20, May 2021, doi: 10.1002/widm.1399.

[5] O. Goldreich, “Foundations of Cryptography,” in volume II, Basic Applications, Cambridge University Press, 1998, p. 108.

[6] C. Dwork and A. Roth, “The algorithmic foundations of differential privacy,” Found. Trends Theor. Comput. Sci., vol. 9, pp. 211–407, 2014.

[7] M. Kantarcioglu, J. Vaidya, and C. Clifton, “Privacy Preserving Naive Bayes Classiﬁer for Horizontally Partitioned Data,” IEEE ICDM Workshop Priv. Preserv. Data Min., 2003, pp. 3–9.

[8] 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: 10.1145/772862.772867.

[9] B. Schneier, Applied Cryptography, 2nd ed. John Wiley & Sons, 1996.

[10] Z. Yang, S. Zhong, and R. N. Wright, “Privacy-Preserving Classification of Customer Data without Loss of Accuracy,” in Proceedings of the 2005 SIAM International Conference on Data Mining, SIAM, 2005, pp. 92–102, doi: 10.1137/1.9781611972757.9.

[11] 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, Springer, Cham, 2015, pp. 627–638, doi: 10.1007/978-3-319-25159-2_57.

[12] 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, Oct. 2018, doi: 10.1016/j.future.2018.04.076.

[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, May 2018, doi: 10.1016/j.ins.2018.02.056.

[14] V. C. Nguyen, “A general secure sum protocol,” J. Sci. Tech., vol. 11, no. 1, Jun. 2022, doi: 10.56651/lqdtu.jst.v11.n01.362.ict.

[15] Kaggle, “SMS Spam Collection Dataset,” 2017. [Online]. Available: https://www.kaggle.com/uciml/ sms-spam-collection-dataset. [Accessed Jun. 13, 2022].

[16] PyCryptodome, “Welcome to PyCryptodome’s documentation — PyCryptodome 3.15.0 documentation,” 2021. [Online]. Available: https://pycryptodome.readthedocs.io/en/latest/index.html. [Accessed Jul. 10, 2022].

DOI: https://doi.org/10.34238/tnu-jst.8980

Các bài báo tham chiếu

Hiện tại không có bài báo tham chiếu



Ghi nhớ