ارائه یک پروتکل جدید برای انتشار داده‌ها با حفظ حریم خصوصی در محیط‌های توزیع‌شده مبتنی بر مدل‌های احتمالاتی

مصیبی, الیاس; ابراهیمی آتانی, رضا

doi:10.66224/jsdp.22.3.35

**************************** نشریه علمی «پردازش علائم و داده‌ها» با مجوز رسمی از کمیسیون نشریات وزارت علوم، تحقیقات و فناوری، صاحب امتیاز: پژوهشگاه توسعه فناوری‌های پیشرفته ****************************

Signal and Data Processing Journal A scientific journal officially licensed by the Commission for Scientific Publications of the (MSRT). Publisher: Research Ceter for Developmen of Technologies

EN FA

دوره 22، شماره 3 - ( 9-1404 ) جلد 22 شماره 3 صفحات 58-35 | برگشت به فهرست نسخه ها

‎ 10.66224/jsdp.22.3.35

Mendeley

Zotero

RefWorks

Mosayebi E, Ebrahimi Atani R. A Novel Privacy-Preserving Distributed Data Publishing Protocol Based on Probabilistic Models. JSDP 2025; 22 (3) : 3
URL: http://jsdp.rcisp.ac.ir/article-1-1467-fa.html

مصیبی الیاس، ابراهیمی آتانی رضا. ارائه یک پروتکل جدید برای انتشار داده‌ها با حفظ حریم خصوصی در محیط‌های توزیع‌شده مبتنی بر مدل‌های احتمالاتی. پردازش علائم و داده‌ها. 1404; 22 (3) :35-58

URL: http://jsdp.rcisp.ac.ir/article-1-1467-fa.html

ارائه یک پروتکل جدید برای انتشار داده‌ها با حفظ حریم خصوصی در محیط‌های توزیع‌شده مبتنی بر مدل‌های احتمالاتی

الیاس مصیبی

، رضا ابراهیمی آتانی^*

دانشیار گروه مهندسی کامپیوتر دانشگاه گیلان، رشت، ایران

چکیده: (574 مشاهده)

امروزه بسیاری از خدمات در بخش خصوصی و دولتی به‌صورت الکترونیکی ارائه می‌شوند. اطلاعات ایجادشده به‌وسیله این خدمات به‌طورمعمول شامل رکوردهایی با اطلاعات حساس و خصوصی افرادی است که از این خدمات استفاده می‌کنند. سازمان‌های ارائه‌دهنده خدمات، موظف‌اند با ارائه خدمات امن و مورد اعتماد از نقض حریم خصوصی افراد جلوگیری کنند؛ از سوی دیگر اطلاعات ذخیره‌شده با حجم بالا منبع مناسبی برای کشف دانش به‌شمار می‌روند و با انتشار و اشتراک اطلاعات می‌توان به این مهم دست یافت که ممکن است به ایجاد چالش امنیتی و نقض حریم خصوصی منجر شود. راه‌کارهای ارائه‌شده در انتشار با حفظ محرمانگی داده‌های توزیع‌شده بیشتر با استفاده از روش‌های شخص سوم مورد اعتماد و محاسبات امن چندگانه همراه‌اند. این روش‌ها شامل مشکلات و چالش‌های متعدد امنیتی از قبیل ارتباط، هماهنگی و تبانی شرکت‌کنندگان در اشتراک داده، نبود شخص سوم قابل ‌اعتماد، چالش‌های امنیتی پروتکل‌های محاسبات امن چندگانه و همچنین حملات درون‌سازمانی مشارکت‌کنندگان است. در این مقاله علاوه‌بر مرور روش‌های حفظ محرمانگی و حریم خصوصی در داده‌های توزیع‌شده و بررسی نقاط ضعف و قدرت آن‌ها، طرح جدیدی بر پایه مدل احتمالاتی برای حفظ حریم خصوصی در حوزه توزیع‌شده ارائه می‌شود. نتایج به‌دست‌آمده از ارزیابی امنیتی نشان می‌دهد روش پیشنهادی، بدون نیاز به شخص سوم مورد اعتماد و یا استفاده از محاسبات امن چندگانه، علاوه‌بر مقاومت در برابر حملات خارجی، در مقابل حملات داخلی که توسط مشارکت‌کنندگان پی‌ریزی می‌شود نیز مقاومت مناسبی دارد؛ به‌نحوی ‌که در تمام حالات کمتر از یک درصد از رکوردهای منتشرشده نقض می‌شوند؛ همچنین نتایج حاصل از دقت طبقه‌بندی نشان می‌دهد، در این روش با توجه به اشتراک داده، دقت داده‌ها نسبت به حالتی که تنها یک فراهم‌کننده قصد انتشار داده را دارد افزایش می‌یابد؛ اما از سوی دیگر استفاده از روش پیشنهادی افزایش سربار پردازشی را به‌دنبال دارد؛ به‌طوری ‌که این روش در تمامی حالات نسبت به روش پایه کندتر عمل می‌کند.

شماره‌ی مقاله: 3

واژه‌های کلیدی: اشتراک داده، امنیت، انتشار داده، محرمانگی، حفظ حریم خصوصی، داده‌کاوی.

متن کامل [PDF 1574 kb] (188 دریافت)

نوع مطالعه: پژوهشي | موضوع مقاله: مقالات گروه امنیت اطلاعات
دریافت: 1404/1/19 | پذیرش: 1404/4/30 | انتشار: 1404/9/28 | انتشار الکترونیک: 1404/9/28

فهرست منابع

1. A. Majeed and S. Lee, (2021) "Anonymization Techniques for Privacy Preserving Data Publishing: A Comprehensive Survey," in IEEE Access, vol. 9, pp. 8512-8545, doi: 10.1109/ACCESS.2020.3045700. [DOI:10.1109/ACCESS.2020.3045700]

2. "Universal Declaration of human Rights", [Online]. Available: http://www.un.org/en/documents/udhr

3. J. Bennett and S.Lanning, (2007), "The Netflix Prize", Proceeding of the KDD Cup Workshop, pp. 3-6

4. Barbaro, M., Zeller, T., Hansell, S, (2006). "A face is exposed for AOL searcher no. 4417749", New York Times, 9(2008), 8For.

5. Kiran, P., Kavya, N. P, (2012). "A Survey on Methods, Attacks and Metric for Privacy Preserving Data Publishing", International Journal of Computer Applications, Vol. 53, No. 18. [DOI:10.5120/8521-2380]

6. Sattar, A. S., Li, J., Ding, X., Liu, J., Vincent, M. (2013), "A general framework for privacy preserving data publishing", Knowledge-Based Systems, Vol. 54, pp. 276-287. [DOI:10.1016/j.knosys.2013.09.022]

7. پارسا، مجتبی (1388)، «حریم خصوصی و رازداری در پزشکی و جنبه‌های مختلف آن»، مجلة ایرانی اخلاق و تاریخ پزشکی، جلد2، شمارة 4، صص 1-14.

7. Parsa, Mojtaba ,(2009), "Privacy and Confidentiality in Medicine and its Various AspectsK", Journal of Medical Ethics and History of Medicine, Vol. 2, No 4, pp. 1-14.

8. Aggarwal, C. C., Philip, S. Y. (2008), "A general survey of privacy-preserving data mining models and algorithms", In Privacy-preserving data mining, Springer US, pp. 11-52. [DOI:10.1007/978-0-387-70992-5_2]

9. Manta, A, (2013), "Literature survey on privacy preserving mechanisms for data publishing", MSc. Thesis on Department of Intelligence Systems, Faculty EEMCS, Delft University of Technology.

10. Benjamin, C. M., Fung, M., Wang, K. E., Chen, R., Yu, P. S. (2010), "Privacy-preserving data publishing: A survey of recent developments", ACM Computing Surveys, Vol. 42, No 4, pp. 141-153. [DOI:10.1145/1749603.1749605]

11. Sun, Chang; Ippel, Lianne; Dekker, Andre; Dumontier, Michel; van Soest, Johan (2021), A systematic review on privacy-preserving distributed data mining, IOS Press, Data Science 4 (2021) 121-150, doi: 10.3233/DS-210036. [DOI:10.3233/DS-210036]

12. Tânia Carvalho, Nuno Moniz, Pedro Faria, and Luís Antunes. (2023), Survey on Privacy-Preserving Techniques for Microdata Publication, ACM Comput, Surv. 55, 14s, Article 309 (December 2023), 42 pages. [DOI:10.1145/3588765]

13. Jurczyk, P., Xiong, L. (2009, July), "Distributed anonymization: Achieving privacy for both data subjects and data providers", In IFIP Annual Conference on Data and Applications Security and Privacy (pp. 191-207). Springer Berlin Heidelberg. [DOI:10.1007/978-3-642-03007-9_13]

14. Fung, B. C., Wang, K., Philip, S. Y. (2007), "Anonymizing classification data for privacy preservation", IEEE transactions on knowledge and data engineering, Vol. 19, No 5. [DOI:10.1109/TKDE.2007.1015]

15. D Joseph Ficek, Wei Wang, Henian Chen, Getachew Dagne, Ellen Daley, (2021), "Differential privacy in health research: A scoping review", Journal of the American Medical Informatics Association, Vol. 28, Issue 10,Pages 2269-2276, https://doi.org/10.1093/jamia/ocab135 [DOI:10.1093/jamia/ocab135.]

16. Clifton, C., Tassa, T. (2013, April), "On syntactic anonymity and differential privacy", In Data Engineering Workshops (ICDEW), 2013 IEEE 29th International Conference on (pp. 88-93). IEEE. [DOI:10.1109/ICDEW.2013.6547433]

17. Slawomir A. Goryczka, (2014), "Secure and Privacy-Preserving Distributed Data Release", PhD. Thesis on Computer Science, Emory University.

18. A. Majeed and S. O. Hwang, (2024) "Differential Privacy and k-Anonymity-Based Privacy Preserving Data Publishing Scheme With Minimal Loss of Statistical Information," in IEEE Transactions on Computational Social Systems, vol. 11, no. 3, pp. 3753-3765, doi: 10.1109/TCSS.2023.3320141. [DOI:10.1109/TCSS.2023.3320141]

19. Machanavajjhala, A., Kifer, D., Gehrke, J., Venkitasubramaniam, M. (2007), "l-diversity: Privacy beyond k-anonymity", ACM Transactions on Knowledge Discovery from Data (TKDD), Vol. 1, No 1. [DOI:10.1145/1217299.1217302]

20. C. Dwork, (2006), "Differential Privacy," in Automata, Languages and Programming, Springer Berlin Heidelberg, pp. 1-12. [DOI:10.1007/11787006_1]

21. Sweeney, L., (2002), "k-anonymity: A model for protecting privacy", International Journal of Uncertainty, Fuzziness and Knowledge-Based Systems, Vol. 10, No. 05, pp. 557-570. [DOI:10.1142/S0218488502001648]

22. Goryczka, S., Xiong, L., Fung, B. C., (2014), "m-Privacy for Collaborative Data Publishing", Ieee Transactions On Knowledge And Data Engineering, Vol. 26, No. 10, pp. 2520-2533. [DOI:10.1109/TKDE.2013.18]

23. Mohammed, N., Fung, B., Wang, K., Hung, P. C. (2009, March), "Privacy-preserving data mashup", In Proceedings of the 12th International Conference on Extending Database Technology: Advances in Database Technology (pp. 228-239). ACM. [DOI:10.1145/1516360.1516388]

24. Office for Civil Rights, H. H. S. (2002), "Standards for privacy of individually identifiable health information. Final rule", Federal Register, Vol. 67, No. 157, pp. 53181.

25. صادق پور، مهدی، (1394)، «حفظ محرمانگی در انتشار داده‌ها به‌وسیلة گمنام‌سازی دسته‌ای»، پایان‌نامة کارشناسی‌ارشد مهندسی کامپیوتر، گیلان: دانشگاه گیلان.

25. Sadeghpour, Mehdi, (2015), "Preserving Confidentiality in Data Publication through Batch Anonymization", Master's Thesis in Computer Engineering, Gilan: University of Gilan.

26. W Surapon Riyana, Noppamas Riyana, and Srikul Nanthachumphu, (2021), "Privacy Preservation Techniques for Sequential Data Releasing", In Proceedings of the 12th International Conference on Advances in Information Technology (IAIT '21), Association for Computing Machinery, New York, NY, USA, Article 24, 1-9. https://doi.org/10.1145/3468784.3470468 [DOI:10.1145/3468784.3470468.]

27. Samarati, P. (2001), "Protecting respondents identities in microdata release", IEEE transactions on Knowledge and Data Engineering, Vol. 13, No. 6, pp. 1010-1027 [DOI:10.1109/69.971193]

28. Li, N., Li, T., Venkatasubramanian, S. (2010), "Closeness: A new privacy measure for data publishing", IEEE Transactions on Knowledge and Data Engineering, Vol. 22, No. 7, pp. 943-956. [DOI:10.1109/TKDE.2009.139]

29. Silva de Garcia, P., Oliveira, M., & Brohman, K. (2020), "Knowledge sharing, hiding and hoarding: how are they related?", Knowledge Management Research & Practice, 20(3), 339-351. 1774434 [DOI:10.1080/14778238.2020.]

30. W. Ren, K. Ghazinour and X. Lian, (2023) "kt-Safety: Graph Release via k-Anonymity and t-Closeness," in IEEE Transactions on Knowledge and Data Engineering, vol. 35, no. 9, pp. 9102-9113, doi: 10.1109/TKDE.2022.3221333. [DOI:10.1109/TKDE.2022.3221333]

31. Dwork, C., McSherry, F., Nissim, K., Smith, A. (2006, March), "Calibrating noise to sensitivity in private data analysis", In Theory of Cryptography Conference (pp. 265-284), Springer Berlin Heidelberg. [DOI:10.1007/11681878_14]

32. Jiang, W., Clifton, C. (2006), "A secure distributed framework for achieving k-anonymity", The VLDB Journal-The International Journal on Very Large Data Bases, Vol. 15, No. 4, pp. 316-333. [DOI:10.1007/s00778-006-0008-z]

33. Hewage, U.H.W.A., Sinha, R. & Naeem, M.A. (2023), "Privacy-preserving data (stream) mining techniques and their impact on data mining accuracy: a systematic literature review", Artif Intell Rev 56, 10427-10464, doi:10.1007/s10462-023-10425-3. [DOI:10.1007/s10462-023-10425-3]

34. Jun Liu, Yuan Tian, Yu Zhou, Yang Xiao, Nirwan Ansari, (2020) "Privacy preserving distributed data mining based on secure multi-party computation", Computer Communications, Volume 153, Pages 208-216, ISSN 0140-3664, doi:10.1016/j.comcom.2020.02.014. [DOI:10.1016/j.comcom.2020.02.014]

35. FDjordje Slijepčević, Maximilian Henzl, Lukas Daniel Klausner, Tobias Dam, Peter Kieseberg, Matthias Zeppelzauer, (2021), "k-Anonymity in practice: How generalisation and suppression affect machine learning classifiers", Computers & Security, Vol. 111, 2021, 102488,doi: 10.1016/j.cose.2021.102488. [DOI:10.1016/j.cose.2021.102488]

36. Zhong, S., Yang, Z., Wright, R. N. (2005, June), "Privacy-enhancing k-anonymization of customer data", In Proceedings of the twenty-fourth ACM SIGMOD-SIGACT-SIGART symposium on Principles of database systems (pp. 139-147). ACM. [DOI:10.1145/1065167.1065185]

37. Kohlmayer, F., Prasser, F., Eckert, C., Kuhn, K. A. (2014), "A flexible approach to distributed data anonymization", Journal of biomedical informatics, Vol. 50, pp. 62-76. [DOI:10.1016/j.jbi.2013.12.002]

38. Nergiz, M. E., Cicek, E., Pedersen, T., Saygin, Y. (2012), "A look-ahead approach to secure multiparty protocols", IEEE Transactions on Knowledge and Data Engineering, Vol. 24, No. 7, pp. 1170-1185. [DOI:10.1109/TKDE.2011.44]

39. Sakthivel, S. and Vinotha, N. (2023), "An Intellectual Optimization of K-anonymity Model for Efficient Privacy Preservation in Cloud Platform". Journal of Intelligent & Fuzzy Systems, Vol. 45, no. 1, pp. 1497-1512 , doi: 10.3233/JIFS-223509. [DOI:10.3233/JIFS-223509]

40. Hall, M., Frank, E., Holmes, G., Pfahringer, B., Reutemann, P., Witten, I. H. (2009), "The WEKA data mining software: an update", ACM SIGKDD explorations newsletter, Vol. 11, No. 1, pp. 10-18. [DOI:10.1145/1656274.1656278]

41. "UCI Machine learning repository: Adult Data Set", [Online]. Available: http://archive.ics.uci.edu/ml/datasets/Adult. [Accessed 5 September 2020]

42. "Taxonomy trees of the Adult data set", [Online]. Available: http://ddm.cs.sfu.ca/dmsoft/privacy/products/adultHierarchy.txt. [Accessed 5 October 2020].

43. Mosayebi, Elyas (2016), "Security Analysis of Privacy-Preserving Publication Methods in Distributed Data", Master's Thesis in Computer Engineering, Gilan: University of Gilan.

43. مسیبی، الیاس. (1395)، «تحلیل امنیتی روش‌های انتشار با حفظ محرمانگی در داده‌های توزیع‌شده»، پایان‌نامة کارشناسی‌ارشد مهندسی کامپیوتر، گیلان: دانشگاه گیلان.

44. Kim, Pauline and Bodie, Matthew T., (2021), "Artificial Intelligence and the Challenges of Workplace Discrimination and Privacy (September 2021)", 35 ABA Journal of Labor and Employment Law 289, Washington University in St. Louis Legal Studies Research Paper No. 21-09-02, Saint Louis U, Legal Studies Research Paper No. 2021-26, Available at SSRN: https://ssrn.com/abstract=392906

45. McMahan Brendan, Moore Eider, Ramage Daniel, Hampson Seth, Arcas Blaise Aguera y (2017), "Communi¬cation-efficient learning of deep networks from decentralized data", In: Artificial intelligence and statis¬tics, pp 1273-1282. PMLR.

46. Latif, N., Ma, W. & Ahmad, H.B, (2025), "Advancements in securing federated learning with IDS: a comprehensive review of neural networks and feature engineering techniques for malicious client detection", Artif Intell Rev, 58, 91 https://doi.org/10.1007/s10462-024-11082-w [DOI:10.1007/s10462-024-11082-w.]

47. Moradi A, Shahbahrami A, Ebrahimi Atani R, Alidoust Nia M (2016), "Persian XML Documents Metaheuristic Clustering Based on Structure and Content Similarity", Jornals of signal and Processing Data; 13 (2): 11-23

47. مرادی لالمی، علی، شاه بهرامی، اسداله، ابراهیمی آتانی، رضا، علی دوست نیا، مهران (1395)، «خوشه‌بندی فراابتکاری اسناد فارسی اِکس‌اِم‌اِل مبتنی بر شباهت ساختاری و محتوایی»، نشریه پردازش علائم و داده‌ها، 2 (28)، صص 11-23.

48. Ebrahimi Atani R, Sadeghpour M (2018), "A New Privacy Preserving Data Publishing Technique Conserving Accuracy of Classification on Anonymized Data", Jornals Jornals of signal and Processing Data; 15 (3) :31-46. [DOI:10.29252/jsdp.15.3.31]

48. ابراهیمی آتانی، رضا، صادقپور، مهدی (1397)، «ارایه یک روش جدید انتشار داده ها با حفظ محرمانگی با هدف بهبود دقت طبقه بندی روی داده های گمنام»، نشریة پردازش علائم و داده‌ها، 3 (37)، صص 31-46.

49. S. Ameri and R. E. Atani, (2024), "A Novel Decentralized Privacy Preserving Federated Learning Model for Healthcare Application," 15th International Conference on Information and Knowledge Technology (IKT), Isfahan, Iran, Islamic Republic of, 2024, pp. 115-120, doi: 10.1109/IKT65497.2024.10892736. [DOI:10.1109/IKT65497.2024.10892736]

50. K. Mohammadi and R. E. Atani, (2024), "Sigma: A Secure Federated Network Gaming Platform," 2024 15th International Conference on Information and Knowledge Technology (IKT), Isfahan, Iran, Islamic Republic of, , pp. 222-227, doi: 10.1109/IKT65497.2024.10892800. [DOI:10.1109/IKT65497.2024.10892800]

51. ابراهیمی آتانی، رضا، صادقپور، مهدی (1395)، مروری بر روش‌های حفظ حریم خصوصی در انتشار داده‌ها»، امنیت فضای تولید و تبادل اطلاعات (منادی)، ۵ (۲)، صص۴۹-۶۲.

51. Sadeghpour M, Ebrahimi Atani R. (2017), "An overview of privacy preserving Data Publishing Techniques", Biannual Journal Monadi for Cyberspace Security (AFTA), Vol. 5(2), pages: 49-62.

ارسال پیام به نویسنده مسئول

بازنشر اطلاعات
	این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.