Show simple item record

Προσωποποιημένη ανωνυμοποίηση βάσεων δεδομένων κινούμενων αντικειμένων μέσω συσταδοποίησης και σύγχυσης

dc.contributor.advisorΠελέκης, Νικόλαος
dc.contributor.authorΘεοδοσόπουλος, Βασίλειος Ε.
dc.date.accessioned2016-03-10T08:25:51Z
dc.date.available2016-03-10T08:25:51Z
dc.date.issued2013-10
dc.identifier.urihttp://dione.lib.unipi.gr/xmlui/handle/unipi/8601
dc.description.abstractΗ προστασία της ιδιωτικότητας όταν δημοσιεύονται χωροχρονικά δεδομένα είναι ένα πεδίο που τυγχάνει αυξανόμενου ενδιαφέροντος. Παρόλα αυτά, ενώ όλο και περισσότερες υπηρεσίες προσφέρουν επιλογές προσωποποίησης στους χρήστες τους, λίγοι αλγόριθμοι μπορούν να χειριστούν έναν τόσο υψηλό βαθμό προσωποποίησης αποτελεσματικά, χωρίς να επισύρουν αχρείαστη αλλοίωση δεδομένων. Σε αυτή την εργασία μελετούμε το πρόβλημα της Προσωποποιημένης (k,δ)-Ανωνυμίας, το οποίο βασίζεται πάνω στο μοντέλο της (k,δ)-Ανωνυμίας, κάνοντας την παραδοχή πως κάθε χρήστης στο σύστημα έχει τις δικές του απαιτήσεις ανωνυμίας και ποιότητας υπηρεσίας. Εξετάζουμε πόσο καλά διαχειρίζεται αυτό το πρόβλημα ο αλγόριθμος Wait For Me και προτείνουμε τον δικό μας αλγόριθμο, δημιουργημένο συγκεκριμένα για να εκμεταλλεύεται τις προσωποποιημένες απαιτήσεις ιδιωτικότητας και ποιότητας υπηρεσίας των χρηστών ώστε να αποφεύγει την υπερ-ανωνυμοποίηση και να μειώνει την αλλοίωση της πληροφορίας των δεδομένων. Εκτός του να λαμβάνει υπόψη τις προσωποποιημένες προτιμήσεις των χρηστών, η προσέγγισή μας χρησιμοποιεί επίσης κατάτμηση τροχιών βασισμένη στην αντίληψη των δεδομένων, με σκοπό να εξετάσει τα αποτελέσματα της ανωνυμοποίησης δεδομένων όπου οι τροχιές έχουν κατατμηθεί σε υπο-τροχιές με κριτήρια που βασίζονται στη γνώση των δεδομένων. Επιπλέον, μελετούμε το πρόβλημα της Οριοθετημένης Προσωποποιημένης (k,δ)-Ανωνυμίας, όπου υπάρχει ένα όριο στην αποδεκτή αλλοίωση της πληροφορίας που προκαλεί η ανωνυμοποίηση. Παρουσιάζεται ένα νέο σύστημα όπου οι τροχιές αξιολογούνται και οι πιο απαιτητικές υφίστανται επεξεργασία όσο αφορά στις απαιτήσεις (k,δ) τους, με στόχο να μειωθεί η συνολική αλλοίωση πληροφορίας. Πειραματικά αποτελέσματα δείχνουν το βαθμό στον οποίο η προσωποποιημένη ανωνυμοποίηση επιτυγχάνει χαμηλότερη απώλεια πληροφορίας από τους μη-προσωποποιημένους αλγόριθμους, και επίσης το βαθμό στον οποίο η κατάτμηση τροχιών επηρεάζει τη διαδικασία. Περαιτέρω αποτελέσματα επιδεικνύουν επίσης τις συνέπειες της επεξεργασίας τροχιών με βάση την απαιτητικότητά τους πάνω στο πλαίσιο της ικανοποίησης των κριτηρίων της οριοθετημένης ιδιωτικοποίησης.el
dc.format.extent29el
dc.language.isoenel
dc.publisherΠανεπιστήμιο Πειραιώςel
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 Διεθνές*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/*
dc.subjectΒάσεις δεδομένων -- Διαχείρισηel
dc.titleΠροσωποποιημένη ανωνυμοποίηση βάσεων δεδομένων κινούμενων αντικειμένων μέσω συσταδοποίησης και σύγχυσηςel
dc.title.alternativePersonalized anonymization of moving objects databases by clustering and perturbationel
dc.typeMaster Thesisel
dc.contributor.departmentΣχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικήςel
dc.description.abstractENThe preservation of privacy when publishing spatiotemporal data is a field that is receiving growing attention. However, while more and more services offer personalized privacy options to their users, few algorithms are able to handle such a high degree of personalization effectively, without incurring unnecessary information distortion. In this paper we study the problem of Personalized (k,δ)-Anonymity, which builds upon the model of (k,δ)-Anonymity, while allowing for the fact that each user in the system has his own individual privacy and service quality requirements. We examine how well the Wait For Me algorithm handles the problem and propose our own algorithm, built specifically to take advantage of users’ personalized privacy settings in order to avoid over-anonymization and decrease information distortion. In addition to taking into account personalized (k,δ) requirements, our approach utilizes dataset-aware trajectory segmentation, in order to examine the results of anonymizing a dataset the trajectories of which have been partitioned into sub-trajectories using privacy-aware criteria. Furthermore, we study the problem of Bounded Personalized (k,δ)-Anonymity, where there is a limit to the acceptable information distortion caused by the anonymization. A novel system is introduced whereby trajectories are assessed and the most demanding ones are edited in terms of their (k,δ) requirements, in order to decrease overall information distortion. Experimental results show the degree to which personalized anonymization achieves lower information loss than non-personalized algorithms, as well as the degree to which trajectory segmentation affects the process. Further results also demonstrate the effects of demandingness-based trajectory editing on satisfying the criteria for bounded anonymity.el
dc.contributor.masterΠροηγμένα Συστήματα Πληροφορικήςel
dc.subject.keywordΒάσεις δεδομένωνel


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record

Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές
Except where otherwise noted, this item's license is described as
Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές

Βιβλιοθήκη Πανεπιστημίου Πειραιώς
Contact Us
Send Feedback
Created by ELiDOC
Η δημιουργία κι ο εμπλουτισμός του Ιδρυματικού Αποθετηρίου "Διώνη", έγιναν στο πλαίσιο του Έργου «Υπηρεσία Ιδρυματικού Αποθετηρίου και Ψηφιακής Βιβλιοθήκης» της πράξης «Ψηφιακές υπηρεσίες ανοιχτής πρόσβασης της βιβλιοθήκης του Πανεπιστημίου Πειραιώς»