ترجمه مقاله یک چارچوب عملی برای آنالیز اطلاعات با حفظ خصوصی بودن آنها

ترجمه مقاله یک چارچوب عملی برای آنالیز اطلاعات با حفظ خصوصی بودن آنها
قیمت خرید این محصول
۴۱,۰۰۰ تومان
دانلود رایگان نمونه دانلود مقاله انگلیسی
عنوان فارسی
یک چارچوب عملی برای آنالیز اطلاعات با حفظ خصوصی بودن آنها
عنوان انگلیسی
A Practical Framework for Privacy-Preserving Data Analytics
صفحات مقاله فارسی
36
صفحات مقاله انگلیسی
11
سال انتشار
2015
فرمت مقاله انگلیسی
PDF
فرمت ترجمه مقاله
ورد تایپ شده
کد محصول
5198
وضعیت ترجمه عناوین تصاویر و جداول
ترجمه شده است
وضعیت ترجمه متون داخل تصاویر و جداول
ترجمه شده است
وضعیت فرمولها و محاسبات در فایل ترجمه
به صورت عکس، درج شده است
رشته های مرتبط با این مقاله
مهندسی کامپیوتر و مهندسی فناوری اطلاعات
گرایش های مرتبط با این مقاله
امنیت اطلاعات، اینترنت و شبکه های گسترده، مهندسی الگوریتم و محاسبات، سامانه های شبکه ای و مهندسی نرم افزار
مجله
کنفرانس بین المللی شبکه جهانی وب
دانشگاه
مرکز سیستم های رسانه ای یکپارچه، دانشگاه کالیفرنیای جنوبی، لس آنجلس، ایالات متحده آمریکا
کلمات کلیدی
تجزیه و تحلیل داده، حفظ حریم خصوصی افتراقی، نمونه برداری
۰.۰ (بدون امتیاز)
امتیاز دهید
فهرست مطالب
چکیده
1- مقدمه
2- کارهای مربوطه
حفظ حریم خصوصی ( محرمانگی) افتراقی:
محدوده مشارکت فردی
رقبای ما
3- مقدمات
3-1- فرمولاسیون مساله
3-2- تعریف محرمانگی
انالیز حساسیت
4- راه حلهای پیشنهادی
4-1- الگوریتم تصادفی ساده (SRA)
4-2- الگوریتم گرفته شده به صورت دستی (HPA)
5- تضمین محرمانگی
6- ازمایشها
6-1- تخمین محبوبین محرمانگی –HPA
6-2- اثر فاکتور نمونه برداری l
6-4- مزایای اضافی
9- تشکر
پیوست
الف- اثبات قضیه 2
ب- اثبات موضوع 6
نمونه چکیده متن اصلی انگلیسی
ABSTRACT

The availability of an increasing amount of user generated data is transformative to our society. We enjoy the benefits of analyzing big data for public interest, such as disease outbreak detection and traffic control, as well as for commercial interests, such as smart grid and product recommendation. However, the large collection of user generated data contains unique patterns and can be used to re-identify individuals, which has been exemplified by the AOL search log release incident. In this paper, we propose a practical framework for data analytics, while providing differential privacy guarantees to individual data contributors. Our framework generates differentially private aggregates which can be used to perform data mining and recommendation tasks. To alleviate the high perturbation errors introduced by the differential privacy mechanism, we present two methods with different sampling techniques to draw a subset of individual data for analysis. Empirical studies with realworld data sets show that our solutions enable accurate data analytics on a small fraction of the input data, reducing user privacy risk and data storage requirement without compromising the analysis results.

نمونه چکیده ترجمه متن فارسی
چکیده
در دسترس بودن تعداد فزاینده ای از داده ها ی تولید شده باعث ایجاد تحول در جامعه ما میشود. ما از مزایای انالیز داده هایی بزرگ برای منافع جامعه مانند شیوع انتشار بیماریها و کنترل ترافیک سود میبریم. همینطور از موادی مثل کنترا ترافیک و شبکه های هوشمند و غیره. به هر حال جمع آوری گسترده داده های جمع اوری شده توسط کاربر شامل الگوهای منحصر بفردی است که میتواند برای شناسایی مجدد کاربران استفاده شود. در این مقاله یک چارچوب عملیاتی برای ایجاد امنیت محرمانگی افتراقی ارائه شده است. مقاله ما پیشنهاداتی را برای محرمانگی ارائه میکند که میتواند برای داده کاوی و وظایف توصیه ای استفاده شود. برای کاهش خطاهای اغتشاش بالای معرفی شده توسط مکانیسم حریم خصوصی افتراقی، ما دو روش نمونه گیری متفاوت را برای بدست اوردن زیر مجموعه ای از داده منحصر به فرد برای مکانیسم تجزیه و تحلیل ارائه نمودیم. مطالعه های تجربی با مجموعه داده های بدست آمده از دنیای واقعی , نشان میدهد که راه حلهای ما میتواند برای تحلیل دقیق داده ها ، در بخش کوچکی از داده های ورودی امکان پذیر است. و خطرات موجود برای محرمانگی اطلاعات کاربر را کم میکند بدون اینکه نتایج انالیز را با مشکل مواجه کند.

بدون دیدگاه