医疗物联网中实现数据效用-隐私权衡：一种机器学习方法
密码学与安全
2019-02-11 v1
摘要
医疗物联网（IoMT）作为物联网在医疗与卫生保健系统中的应用，其出现与快速发展给现代医疗与卫生保健系统带来了诸多变化与挑战。特别地，机器学习技术可用于处理IoMT中涉及的数据以进行医学分析与疾病诊断。然而在此过程中，必须高度重视个人隐私信息的泄露问题，尤其是敏感的医疗数据。聚类分析是用于医学分析与疾病诊断的一项重要技术。为在IoMT中实现隐私保护聚类分析，本文提出了一种基于MapReduce框架的高效差分隐私数据聚类方案（EDPDCS）。在EDPDCS中，我们优化隐私预算分配与初始质心选择，以提升差分隐私K-means聚类算法的精度。具体而言，根据总隐私预算与每次迭代的最小隐私预算，将K-means算法的迭代次数设为固定值。此外，提出了一种改进的初始质心选择方法，以提高聚类算法的精度与效率。最后，通过在两个数据集上将该算法与另外两种算法所产生的归一化簇内方差（NICV）进行比较，我们证明了所提EDPDCS能够提升差分隐私k-means算法的精度。
引用
@article{arxiv.1902.02898,
title = {Achieving Data Utility-Privacy Tradeoff in Internet of Medical Things: A Machine Learning Approach},
author = {Zhitao Guan and Zefang Lv and Xiaojiang Du and Longfei Wu and Mohsen Guizani},
journal= {arXiv preprint arXiv:1902.02898},
year = {2019}
}