데이터 스트림 빈발항목 마이닝의 프라이버시 보호를 위한 더미 데이터 삽입 기법
Dummy Data Insert Scheme for Privacy Preserving Frequent Itemset Mining in Data Stream
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
데이터 스트림 마이닝 기술은 실시간으로 발생하는 데이터를 분석하여 유용한 정보를 얻는 기술이다. 데이터 스트림 마이닝 기술 중에서 빈발항목 마이닝은 전송되는 데이터들 중에서 어떤 항목이 빈발한지 찾는 기술이며, 찾은 빈발항목들은 다양한 분야에서 패턴분석이나 마케팅의 목적으로 사용된다. 기존에 제안된 데이터 스트림 빈발항목 마이닝은 악의적인 공격자가 전송되는 데이터를 스니핑할 경우 데이터 제공자의 실시간 정보가 노출되는 문제점을 가지고있다. 이러한 문제는 전송되는 데이터에서 원본 데이터를 구별 못하게 하는 더미 데이터 삽입 기법을 통해 해결가능하다. 본 논문에서는 더미 데이터 삽입 기법을 이용한 프라이버시 보존 데이터 스트림 빈발항목 마이닝 기법을 제안한다. 또한, 제안하는 기법은 암호화 기법이나 다른 수학적 연산이 요구되지 않아 연산량 측면에서 효과적이다.
Abstract
Data stream mining is a technique to obtain the useful information by analyzing the data generated in real time. In data stream mining technology, frequent itemset mining is a method to find the frequent itemset while data is transmitting, and these itemsets are used for the purpose of pattern analyze and marketing in various fields. Existing techniques of finding frequent itemset mining are having problems when a malicious attacker sniffing the data, it reveals data provider’s real-time information. These problems can be solved by using a method of inserting dummy data. By using this method, a attacker cannot distinguish the original data from the transmitting data. In this paper, we propose a method for privacy preserving frequent itemset mining by using the technique of inserting dummy data. In addition, the proposed method is effective in terms of calculation because it does not require encryption technology or other mathematical operations.
참고문헌 (15)
- S. Muthukrishnan, "Data streams: algorithms and applications" (2005), Lightning Source Inc
- G. Cormode, "What’s hot and what’s not: tracking most frequent items dynamically", Proceedings of the twenty-second ACM SIGMOD-SIGACT-SIGART sy- mposium on Principles of database systems, pp.296~306 (2003)
- C. Jin, "Dynamically maintaining frequent items over a data stream", Proceedings of the 2003 ACM CIKM International Conference on Information and Knowledge Management, pp.287~294 (2003)
- G.S. Manku, "Approximate frequency counts over data streams", Proceedings of the 28th International Conference on Very Large Data Bases, pp.346~357 (2002)
- E. Demaine, "Frequency estimation of internet packet streams with limited spa- ce", Proceedings of the 10th Annual European Symposium, pp.348~360 (2002)
- A. Metwally, "Efficient computation of frequent and top-k elements in data strea- ms", Proceedings of the 10th Interna- tional Conference on Database Theor- y, pp.398~412 (2005)
- H. Liu, "Methods for mining frequent items in data streams: an overview", Knowledge and Information Systems, 26(1), pp.1~30 (2011)
- S. Pramod, "Recent frequent itemsets mining over data streams", Proceedings of the Second International Conference on Computational Science, Engineering and Information Technology, pp.484~489 (2012)
- M. Deypira, "Towards a variable size sliding window model for frequent itemset mining over data streams", Computers & Industrial Engineering, 63(1), pp.161~172 (2012)
- S. Oliveira, "Achieving privacy preservation when sharing data for clustering", Proceedings of International Workshop on Secure Data Management in a Connected World, pp.67~82 (2004)
- B. Goethals, "On private scalar product computation for privacy-pres- erving data mining", The 7th Ann- ual International Conference in Information Security and Cryptology, pp.104~120 (2004)
- M.A. Ouda, "Privacy-preserving data mining (PPDM) method for horizon- tally partitioned data", International Journal of Computer Science Issues, 9(5), pp.339~347 (2012)
- R. Agrawal, "Privacypreserving data mining", Proceedings of the 2000 ACM SIGMOD interna- tional conference on Management of data, pp.439~450 (2000)
- P.K. Fong, "Privacy Preserving Decision Tree Learning Using Unrealized Data Sets", IEEE Transactions on Knowle- dge and Data Engineering, 24(2), pp.353~364 (2012)
- Finding a majority among n votes, "M.J. Fischer", Department of Computer Science, University of Yale, ~, pp.Research Report 252 (1982)