关联规则隐藏算法的研究

・２８・　计算机应用研究　２００６年　关联规则隐藏算法的研究　丁小刚，黄伟伟，柏文阳　（南京大学计算机科学与技术系计算机软件新技术国家重点实验室，江苏南京２１００９３）　摘要：数据挖掘能从不同角度、不同抽象层上看待数据，这将潜在地影响数据的私有性和安全性。着重介绍　了关联规则数据挖掘中的规则隐藏算法，提出了一个改进的关联规则隐藏算法ＯＳＡ，该算法综合采用项的添加　和约束方法来降低关联规则的支持度和置信度，从而达到规则隐藏的目的。　关键词：数据挖掘；关联规则挖掘；频繁项集；敏感规则隐藏　中图法分类号：ＴＰ３０１．６　文献标识码：Ａ　文章编号：１００１—３６９５（２００６）０６－００２８－０３　Ｒｅｓｅａｒｃｈ　ｏｆ　Ａｓｓｏｃｉａｔｉｏｎ　Ｒｕｌｅ　Ｈｉｄｉｎｇ　Ａｌｇｏｒｉｔｈｍ　ＤＩＮＧ　Ｘｉａｏ－ｇａｎｇ，ＨＵＡＮＧ　Ｗｅｉ－ｗｅｉ，ＢＡＩ　Ｗｅｎ－ｙａｎｇ　（Ｓｔａｔｅ研ＬａｂｏｒｔａｏｒｙｆｏｒＮｏｖｅｌ　Ｓｏ￣ａｒｅ　Ｔｅｃｈｎｏｌｏｇｙ，Ｄｅｐｔ．ｏｆＣｏｍｐｕｔｅｒ　Ｓｃｉｅｎｃｅ＆Ｔｅｃｈｎｏｌｏｇｙ，￣ｎｊｉｎｇ　Ｕｎｉｖｅｒｓｉｔｙ，Ｎａ彬ｎｇ　Ｊｉａｎｇｓｕ　２１００９３，Ｃｈｉｎａ）　Ａｂｓｔｒａｃｔ：Ｄａｔａ　ｍｉｎｉｎｇ　ｍａｙ　ｐｏｓｅ　ａ　ｔｈｒｅａｔ　ｔｏ　ｐｒｉｖａｃｙ　ａｎｄ　ｄａｔａ　ｓｅｃｕｒｉｔｙ　ｓｉｎｅｅ　ｆｒｏｍ　ｎｏｎ—ｓｅｎｓｉｔｉｖｅ　ｄａｔａ　ｏｎｅ　ｉｓ　ａｂｌｅ　ｔｏ　ｉｎｆｅｒ　ｓｅｎｓｉ—　ｔｉｖｅ　ｉｎｆｏｒｍａｔｉｏｎ．ｉｎｃｌｕｄｉｎｇ　ｐｅｒｓｏｎａｌ　ｉｎｆｏｒｍａｔｉｏｎ．ｆａｃｔｓ　ｏｒ　ｅｖｅｎ　ｐａｔｔｅｒｎｓ　ｔｈａｔ　ａｒｅ　ｎｏｔ　ｓｕｐｐｏｓｅｄ　ｔｏ　ｂｅ　ｄｉｓｃｌｏｓｅｄ．Ｗｉｔｈ　ｔｈｅ　ｉｎｃｒｅａ－　ｓｉｎｇ　ｐｏｐｕｌａｒ　ｕｓｅ　ｏｆ　ｔｈｅ　Ｗｏｒｌｄ　Ｗｉｄｅ　Ｗｅｂ　ａｎｄ　ｒｅｃｅｎｔ　ａｄｖａｎｃｅｓ　ｉｎ　ｄａｔａ　ｍｉｎｉｎｇ　ｔｅｃｈｎｉｑｕｅｓ　ａｎｄ　ｍａｃｈｉｎｅ　ｌｅａｒｎｉｎｇ，ｔｈｅｒｅ　ｈａｓ　ｂｅｅｎ　ｍｕｃｈ　ｉｎｔｅｒｅｓｔ　ｒｅｃｅｎｔｌｙ　ｏｎ　ｐｒｉｖａｃｙ　ｐｒｅｓｅｒｖａｔｉｏｎ　ｉｎ　ｄａｔａ　ｍｉｎｉｎｇ　ａｎｄ　ｉｓｓｕｅｓ　ｒｅｌａｔｅｄ　ｔｏ　ｄａｔａ　ｍｉｎｉｎｇ　ａｎｄ　ｓｅｃｕｒｉｔｙ　ｈａｖｅ　ｂｅｅｎ　ｒｅｃｏｇ－　ｎｉｚｅｄ　ａｎｄ　ｉｎｖｅｓｔｉｇａｔｅｄ．Ｔｈｉｓ　ｐａｐｅｒ　ｆｉｒｓｔ　ｉｎｔｒｏｄｕｃｅｓ　ｔｈｅ　ｄｅｖｅｌｏｐｍｅｎｔ　ｏｆ　ｔｈｅ　ｐｒｉｖａｃｙ　ｐｒｅｓｅｒｖａｔｉｏｎ　ａｎｄ　ｔｈｅ　ｐｒｉｎｃｉｐｌｅ　ｏｆ　ａｓｓｏｃｉａｔｉｏｎ　ｒｕｌｅ　ａｎｄ　ｉｔｓ　ｒｅａｌｉｚａｔｉｏｎ　ｂｙ　ｇｅｎｅｒａｌ　ａｌｇｏｒｉｔｈｍｓ，ｔｈｅｎ　ｐｒｏｐｏｓｅｓ　ｓｏｍｅ　ｉｍｐｒｏｖｅｍｅｎｔｓ　ｏｆ　ｔｈｅ　ａｌｇｏｒｉｔｈｍ．Ｓｏｍｅ　ｅｘｐｅｒｉｍｅｎｔｓ　ｓｈｏｗ　ｔｈｅｓｅ　ｉｍｐｒｏｖｅｍｅｎｔｓ　ｐｒｏｐｏｓｅｄ　ｉｎ　ｔｈｉｓ　ｐａｐｅｒ　ｃａｎ　ｒｅａｌｉｚｅ　ｔｈｅ　ａｓｓｏｃｉａｔｉｏｎ　ｒｕｌｅ　ｈｉｄｉｎｇ　ａｌｇｏｒｉｔｈｍ　ｅｆｉｆｃｉｅｎｔｌｙ　ａｎｄ　ｑｕｉｃｋｌｙ．　Ｋｅｙ　ｗｏｒｄｓ：Ｄａｔａ　Ｍｉｎｉｎｇ；Ａｓｓｏｃｉａｔｉｏｎ　Ｒｕｌｅ　Ｍｉｎｉｎｇ；Ｆｒｅｑｕｅｎｔ　ｈｅｍｓｅｔ；Ｓｅｎｓｉｔｉｖｅ　Ｒｕｌｅ　Ｈｉｄｉｎｇ　过释放数据样本来控制对数据的访问。随后Ａｔａｌｌａｈ等人　提　１　引言　出了重要规则、敏感规则、数据清理等概念，他们认为问题的解　数据挖掘能从数据库的大量数据中揭示出隐含的、先前未　决町以通过降低给定规则或规则集的重要性来实现，同时尽可　知的、潜在有用的信息，这些信息可以用来检测异常模式、恐怖　能地不对其他规则的熏要性造成影响。最近两年来，围绕规则　活动和欺诈行为，但同时也可能成为个人隐私和公民自由的威　的隐藏有了更深入的探讨和研究　Ｊ，大部分算法的主要思想　胁。近年来，随着数据挖掘技术和相关应用的发展，数据挖掘　就是通过对事务项集的修改使给定关联规则的支持度和置信　所带来的对隐私或数据安全的威胁引起人们越来越多的重　度低于事先给定的阈值，从而使给定的关联规则得到隐藏。其　视…，许多研究人员开始对挖掘中触犯隐私的问题进行了研　解决策略可以归纳为两种（图１）：数据共享的策略和模板共亭　究，特别是对于关联规则挖掘的隐私保护方面已经相继提出了　的策略。第一种策略主要足对数据进行移出操作或对一些包　许多解决的策略和方法　。目前对这方面问题解决的主要　含敏感知识的敏感关联规则集进行隐藏，通过删除或添加事务　思想就是采用数据（规则）清理算法，通过对事务中数据项的　中的项来修改部分包含敏感规则集的事务。后一种策略主要　改变（添加或移出）使关联规则的置信度和支持度降低，从而　是对所挖掘到的规则集而不是原始数据本身进行修改，相关的　使事务的关联规则得到隐藏。但数据清理策略对原数据库有　研究有Ｏｌｉｖｅｉｒａ等人提出的ＤＳＡ算法　，算法在数据共享前对　相当的影响，即在实现隐私和数据安全保护的同时也容易导致　所有敏感规则集进行了隐藏。　规则丢失和规则新生的问题。本文对近年来关联规则隐藏技　数据共享隐藏策略又可分为以下类别：基于项的约束、基　术的发展进行了归纳和总结，并提出了…种新的关联规则隐藏　于项的添加和基于项的模糊。基于项的约束目前有ＩＧＡ算　算法ＯＳＡ，从总体上降低了隐藏算法对关联规则挖掘结果的影　法　和ＳＷＡ算法　，这些算法通过从一组包含敏感规则集的　响。　事务集中移出部分项集，从而使敏感规则集的支持度或置信度　２相关工作和研究　低于安全闽值的要求；同时算法中还有一个可由数据库用户本　身控制的开放闽值参数　，用来表示用户对敏感度的具体要　对于数据挖掘所引起的安全问题，Ｃｌｉｆｔｏｎ和Ｍａｒｋｓ　最早　求。当　＝Ｏ％时，所有敏感规则都必须隐藏；当　；１００％时．　分析了一些可能的解决策略，包括对数据库模糊或增强以及通　所有的规则都可认为不是敏感的。基于项的添加　是通过对　事务添加一些别的项造成事务数据库已有信息的修改，这种策　收稿日期：２００５－０５－２１；修返日期：２００５．０７．０９　略容易造成规则的新生。基于项的模糊　。。就是对一些包含敏　基金项目：国家“８６３”计划资助项目（２００２ＡＡ１４１０９１．）　感规则的事务中的项作未知标记而不是删除，这样一些已知项　维普资讯 http://www.cqvip.com

第６期　。Ｔ／Ｊ＇￣ｌＪＩ等：关联规则隐藏算法的研究　・２９－　值就变成未知的，相应降低了规则的支持度和置信度，从而减　束的方法，降低规则新生和规则丢失的数量；ＯＳＡ算法对数据　少了敏感规则的泄漏。　项的处理顺序和数据库的扫描算法进行了优化，提高了算法的　３关联规则隐藏算法　执行效率；在算法中引进了敏感规则的控制参数　，在隐私和　公开的程度方面控制更为灵活。ＯＳＡ算法的主要执行步骤如　关联规则是Ｒａｋｅｓｈ　Ａｇｒａｗａｌ等人　提出的数据挖掘领域　下：　中的一个重要课题。设，＝｛ｉ．，ｉ　。…，ｉ　｝是ｍ个不同项的集　（１）根据需隐藏的所有规则集只　找出对应的事务集　，　合，任务相关的数据集Ｄ是数据库事务的集合，其中每个事务　不需要修改的事务直接放人Ｄ　中。　是项的集合，且　，。每一个事务有一个标识符，称作ＴＩＤ。　（２）对于Ｒ　中的每　规则ｒ，随机取一事务ｔ　ｅ　ＴＨ进行判　设Ａ是一个项集，事务　包含Ａ当且仅当Ａ　Ｔ。关联规则是　断。若ｔ＝　则执行添加操作；若ｔ：Ｔｒ则执行约束操作。　形如　日的蕴涵式，其中Ａ　ｃ，，日ｃ，，并且Ａ　ｎＢ＝　，Ａ称作　（３）每次将修改完的事务放人Ｄ　中。　规则的前提，日是规则的结果。一般把一些项的集合称作项集　（４）循环操作，直到规则的置信度满足条件或者Ｎｕｍｂ　（Ｉｔｅｍｓｅｔ）。规则　日在事务集Ｄ中成立的条件是：　＝Ｉ　ＴＨ　ｌ×（１一　）。　（１）它具有支持度　，其中　是Ｄ中事务包含Ａ和日两者　算法的详细描述为　的百分比，即Ｓｕｐｐｏｒｔ（Ａ＝＊Ｂ）＝Ｐ（Ａ　ａｎｄ　Ｂ）。　输入：敏感规则集Ｒ　，原数据库集Ｄ，最小支持度Ｍｉｎ—　（２）它具有置信度ｃ，其中ｃ是Ｄ中包含Ａ的事务同时也　ｓｕｐｐ，最小置信度Ｍｉｎ—ｃｏｎｆ。　包含日的百分比，即Ｃｏｎｔｌｄｅｎｃｅ（Ａ＝＊Ｂ）＝Ｐ（ＢｔＡ）。　输出：敏感规则集得到隐藏后的数据库集Ｄ　。　同时满足最小支持度阈值（Ｍｉｎ—ｓｕｐ）和最小置信度阈值　Ｂｅｇｉｎ　Ｆｏｒ　ｅａｃｈ　ｒｕｌｅ　ｒ　ｉｎ　ＲＨ　ｄｏ　（Ｍｉｎ—ｃｏｎｆ）的规则被称作强规则，即敏感规则。对关联规则隐　｛　藏来说就是如何对一些预先给定的敏感规则集Ｒ　进行处理，　／　ｆ，为规则的前提项，ｒｒ为规则的结果项，所选事务ｒｒ全包含对　应规则的所有项，事务ｒｆ，部分包含对应规则的前提项和结果项　／　使之不被关联规则挖掘所发现，同时又能保证数据库的完整　（１）Ｔ　＝｛ｔ　ＥＤ／ｔ　ｆｕｌｌｙ　ｓｕｐｐｏｒｔｓ　ｒ｝　性。也就是说对于给定的数据库Ｄ，通过数据挖掘找出所有的　（２）Ｔｌｒ＝｛ｔ　ｅ　Ｄ／ｔ　ｐａｒｔｉａｌｌｙ　ｓｕｐｐｏｔｒｓ　ｒ　ａｎｄ　ｐａｒｔｉａｌｌｙ　ｓｕｐｐｏｔｒｓ　１　Ｉ　频繁项集和利用频繁项集所生成的关联规则集Ｒ，如何将数据　（３）ＴＨ＝Ｔ　ＵＴＩｒ　（４）ｆｏｒ　ｒａｎｄｏｍ　ｔｒａｎｓａｃｔｉｏｎ　ｔ　ｉｎ　ＴＨ　ｄｏ　库Ｄ转换成Ｄ　，使Ｒ　隐藏后Ｒ中的其他规则仍不受影响。在　ｌ　隐藏技术方面主要是通过具体的清理算法来降低规则的支持　（５）ｉｆｔ∈Ｔｌ　则执行添加操作　ｌ　度和置信度，使之低于最小支持度和最小置信度阈值，从而实　／十ｓｅｔ　ｔｏ　ｏｎｅ　ａｌｌ　ｔｈｅ　ｂｉｔｓ　ｏｆｔ　ｔｈａｔ　ｒｅｐｒｅｓｅｎｔ　ｉｔｅｍｓ　ｉｎ　ｆ　，即使事务ｔ　现对敏感规则的隐藏。　包含规则ｒ的前提项　／　（６）ｓｅｔ—ａｌｌ—ｏｎｅｓ（ｔ．ｖａｌｕｅｓ—ｏｆ＿ｉｔｅｍｓ，１　）　如前所述，在关联规则隐藏方面目前已经提出了不少的隐　（７）ｓｕｐｐ（１　）＝ｓｕｐｐ（１　）＋１　藏算法，但普遍都还存在下述问题未能很好地解决，即如何减　（８）ｃｏｎｆ（ｒ）＝ｓｕｐｐ（ｒ）／ｓｕｐｐ（１　）　少清理算法对原数据库的影响，也就是需要解决算法所产生的　｝　（９）ｅｌｓｅ　ｉｆ　ｔ　Ｅ　Ｔ　则执行约束操作　规则丢失和规则新生的问题（图２）。所谓规则丢失就是由于　｛　的隐藏引起另一部分规则只。。的隐藏，即对于　／／ｃｈｏｏｓｅ　ｔｈｅ　ｉｔｅｍ　ｏｆ　ｒ　ｗｉｔｈ　ｔｈｅ　ｍｉｎｉｍｕｍ　一部分规则　／／ｉｍｐａｃｔ　ｏｎ　ｔｈｅ（Ｉ　ｒｌ一１）一ｉｔｅｍｓｅｔｓ。即取支持度较小的项　给定的数据库Ｄ、规则集Ｒ、敏感规则集Ｒ　，关联规则隐藏的　（１０）ｊ＝ｃｈｏｏｓｅ—ｉｔｅｍ（ｒ）　目标是将Ｒ变化为Ｒ　，Ｒ　代表不再含有敏感规则的规则集。　／／ｓｅｔ　ｔｏ　ｚｅｒｏ　ｔｈｅ　ｂｉｔ　ｏｆ　ｔ．１ｉｓｔｏｆｉｔｅｍｓ　——／／ｔｈａｔ　ｒｅｐｒｅｓｅｎｔｓ　ｉｔｅｍ　ｊ，即使事务ｔ减少一个规则的相应项　根据清理算法理想的情况应该是Ｒ　＝Ｒ—Ｒ　，实际上Ｒ　＝Ｒ一　（１１）ｓｅｔ—ｔｏ—ｚｅｒｏ（ｊ，ｔ．ｖｌａｕｅｓ—ｏｆ—ｉｔｅｍｓ）　风一　其中　是由于执行清理算法而被隐藏的非敏感规则　（１２）ｓｕｐｐ（ｒ）＝ｓｕｐｐ（ｒ）一１　集。所谓规则新生，就是指在原数据库中本不存在，但在对敏　（１３）ｃｏｎｆ（ｒ）＝ｓｕｐｐ（ｒ）／ｓｕｐｐ（１　）　｝　感规则集Ｒ　进行隐藏后而产生新规则的问题。另外，新产生　（１４）Ｔ　＝Ｔ　一ｔ　的规则也会带来新的数据库推理问题。　（１５）Ｒｅｐｅａｔ　ｕｎｔｉｌ　ｃｏｎｆ（ｒ）＜＝ｍｉｎ—ｅｏｎｆ　ｏｒ　ＮｕｍｂＴＨ＝ＩＴＨｌ十（１一　）　基于项的约束　ｆ　Ｎｏｎ．Ｒｅｓｔｒｉｅｔｉｖｅ　Ｒｅｓｔｒｉｃｔｉｖｅ　（１６）ＲＨ＝ＲＨ—ｒ　Ｒｅｓｔｒｉｃｔｉｖｅ　Ｒｕｌｅｓ（Ｒｓ）　ｆ　Ｅｎｄ　横板共享Ｈ基于规则的约束　图１清理算法分类　图２清理算法影响图示　５　实验结果　４　ＯＳＡ算法　实验选用的数据集包含３　１９６条事务，事务的平均长度为　３７（Ｉｔ＝３７），包含６１（１Ｉｔｅｍｌ＝６１）个不同的项，规则的最大长　综合比较已有的清理算法，大部分算法在对解决原数据　度为４（１ｒ＝４）。　眸的影响方面都不是很理想，都会造成部分规则新生或规则丢　选择Ａｌｇｏ２ａ和ＳＷＡ算法进行对比，这是两种比较有代表　失。本文提出了一个改进的清理算法ＯＳＡ（Ｏｐｔｉｍｉｚｉｎｇ　Ｓａｎｉｔｉ—　性的算法。Ａｌｇｏ２ａ算法通过删除敏感事务对应的项以达到降　ｚｉｎｇ　Ａｌｇｏｒｉｔｈｍ），该算法综合基于项的添加和基于项的约束隐　低对应规则支持度的目的，从而隐藏相关的规则；ＳＷＡ算法则　藏算法的特点，对需隐藏的规则集Ｒ　同时采取项的添加和约　通过添加部分支持隐藏规则的事务前项，提高前项的支持度，　维普资讯 http://www.cqvip.com

・３Ｏ・　计算机应用研究　２００６年　进而降低规则的置信度来隐藏规则。　Ｓｅｎｓｉｔｉｖｅ　Ｒｕｌｅｓ［Ｃ］．Ｃｈｉｃａｇｏ：Ｐｒｏｃ．ｏｆ　ＩＥＥＥ　Ｋｎｏｗｌｅｄｇｅ　ａｎｄ　Ｄａｔａ　对实验结果的衡量包括三个参数：损失规则的比率（　），　Ｅｎｇｉｎｅｅｒｉｎｇ　Ｗｏｒｋｓｈｏｐ，１９９９．４５－５２．　增加规则的比率（ＡＲ），噪音率（ＮＲ＝ＬＲ＋ＡＲ）。由于数据集的　［４］Ａ　Ｅｖｆｉｍｉｅｖｓｋｉ，Ｒ　Ｓｆｉｋａｎｔ，Ｒ　Ａｇｒａｗａｌ，ｅｔ　ａｌ，Ｐｒｉｖａｃｙ　Ｐｒｅｓｅｒｖｉｎｇ　Ｍｉ　相似度较高，Ｓｕｐｐｏｒｔ／Ｃｏｎｆｉｄｅｎｃｅ设置为０．６／０．９，生了　ｎｉｎｇ　ｏｆ　Ａｓｓｏｃｉａｔｉｏｎ　Ｒｕｌｅｓ［Ｃ］．Ｅｄｍｏｎｔｏｎ：Ｐｒｃｏ．ｏｆ　ｔｈｅ　８ｔｈ　ＡＣＭ　ＳＩＧＫＤＤ　Ｉｎｔ．Ｃｏｎｆ．ｏｎ　Ｋｎｏｗｌｅｇｄｅ　Ｄｉｓｃｏｖｅｒｙ　ａｎｄ　Ｄａｔａ　Ｍｉｎｉｎｇ．２ｏｏ２．　５７　４９２条规则，从中选取五条规则进行隐藏。　２１７．２２８．　实验结果如表１所示。　［５］ｓ　Ｒ　Ｍ　Ｏｌｉｖｅｉｒａ，Ｏ　Ｒ　Ｚａｉ＇ａｎｅ．Ｐｆｉｖ￣ｙ　Ｐｒｅｓｅｒｖｉｎｇ　Ｆｒｅｑｕｅｎｔ　ｈｅｍｓｅｔ　表１三种算法的对比　Ｍｉｎｉｎｇ［Ｃ］．Ｍａｅｂａｓｈｉ　Ｃｉｔｙ：Ｐｒｏｓ．ｏｆ　ｔｈｅ　ＩＥＥＥ　ＩＣＤＭ　Ｗｏｒｋｓｈｏｐ　ｏｎ　参数　ＳＷＡ　Ａｌｇｏ２ａ　ＯＳＡ　Ｐｒｉｖａｃｙ，Ｓｅｃｕｒｉｔｙ，ａｎｄ　Ｄａｔａ　Ｍｉｎｉｎｇ，２００２．４３－５４．　ＬＲ　１．３Ｏ６％　１．９２９％　１．６８９％　［６］Ｓ　Ｒ　Ｍ　Ｏｌｉｖｅｉｒａ，Ｏ　Ｒ　Ｚａ￣＇ａｎｅ．Ｐｒｏｔｅｃｔｉｎｇ　Ｓｅｎｓｉｔｉｖｅ　Ｋｎｏｗｌｅｄｇｅ　ｂｙ　Ｄａｔａ　ＡＲ　１．９２５％　０．０２％　０．１ｌ５％　Ｓａｎｉｔｉｚａｔｉｏｎ［ｃ］．Ｍｅｌｂｏｕｒｎｅ：Ｐｍｃ．ｏｆ　ｔｈｅ　３ｒｄ　ＩＥＥＥ　Ｉｎｔｅｎｒａｔｉｏｎａｌ　３．２３２％　１．９４９％　１．８０４％　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｄａｔａ　Ｍｉｎｉｎｇ（ＩＣＤＭ’０３）．２００３．６１３，６１６．　从表１可以得出以下结论：在规则损失方面，ＯＳＡ介于　［７］Ｏｌｉｖｅｉｒａ　Ｓ　Ｒ　Ｍ，Ｚａａｎｅ　Ｏ　Ｒ，Ｓａｙｇｉｎ　Ｙ．Ｓｅｃｕｒｅ　Ａｓｓｏｃｉａｔｉｏｎ　Ｒｕｌｅ　Ｓｈａ－　ＳＷＡ算法和Ａｌｇｏ２ａ之间；新增规则方面，ＯＳＡ和Ａｌｇｏ２ａ相近，　ｒｉｎｇ［Ａ］．Ｄａｉ　Ｈ，Ｓｒｉｋａｎｔ　Ｒ，Ｚｈａｎｇ　Ｃｓ．Ａｄｖａｎｃｅｓ　ｉｎ　Ｋｎｏｗｌｅｄｇｅ　Ｄｉｓ－　大大优于ＳＷＡ算法；噪音率则是ＯＳＡ算法最优。综合分析，　ｅｏｖｅｙｒ　ａｎｄ　Ｄａｔａ　Ｍｉｎｉｎｇ［ｃ］．Ｓｙｄｎｅｙ：Ｔｈｅ　８ｔｈ　Ｐａｃｉｉｆｃ・Ａｓｉａ　Ｃｏｎｆｅ－　ｒｅｎｃｅ，Ｐｒｏｃｅｅｄｉｎｇｓ，ｖｏｌｕｍｅ　３０５６　ｏｆ　Ｌｅｃｔｕｒｅ　Ｎｏｔｅｓ　ｉｎ　Ａｒｔｉｉｆｃｉａｌ　Ｉｎｔｅｌｌｉ－　ＯＳＡ算法要优于ＳＷＡ和Ａｌｇｏ２ａ，是对上述两种算法的综合和　ｇｅｎｃｅ，２００４．７４—８５．　改进。　［８］Ｖａｓｓｉｌｉｏｓ　Ｓ　Ｖｅｒｙｋｉｏｓ。Ａｈｍｅｄ　Ｋ　Ｅｌｍａｇａｒｍｉｄ，Ｅｌｉｓａ　Ｂｅｒｔｉｎｏ．ｅｔ　ａ１．Ａｓ．　６　结束语　ｓｏｅｉａｔｉｏｎ　Ｒｕｌｅ　Ｈｉｄｉｎｇ［Ｊ］．ＩＥＥＥ　Ｔｒａｎｓａｃｔｉｏｎｓ　ｏｎ　Ｋｎｏｗｌｅｄｇｅ　ａｎｄ　Ｄａｔａ　Ｅｎｇｉｎｅｅｒｉｎｇ，２００４，１６（４），　本文对关联规则的隐藏保护技术进行了一定的探讨，对目　［９］Ｅ　Ｄａｓｓｅｎｉ，Ｖ　Ｓ　Ｖｅｒｙｋｉｏｓ，Ａ　Ｋ　Ｅｌｍａｇａｒｍｉｄ，ｅｔ　ａ１．Ｈｉｄｉｎｇ　Ａｓｓｏｃｉａｔｉｏｎ　Ｒｕｌｅｓ　ｂｙ　Ｕｓｉｎｇ　Ｃｏｎｆｉｄｅｎｃｅ　ａｎｄ　Ｓｕｐｐｏｔｒ［Ｃ］．Ｐｉｔｔｓｂｕｒｇｈ：Ｐｒｃｏ．ｏｆ　ｔｈｅ　前的关联规则隐藏算法进行了介绍和分析，并提出了一个改进　４ｔｈ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｈｉｄｉｎｇ　Ｗｏｒｋｓｈｏｐ，２００１．３６９－３８３．　的关联规则隐藏算法ＯＳＡ。实验结果表明该算法是一种优良　［１Ｏ］Ｙ　Ｓａｙｇｌｎ，Ｖ　Ｓ　Ｖｅｒｙｋｉｏｓ，Ｃ　Ｃｌｉｔｆｏｎ．Ｕｓｉｎｇ　Ｕｎｋｎｏｗｎｓ　ｔｏ　Ｐｒｅｖｅｎｔ　Ｄｉｓ－　的关联规则隐藏算法，其综合性能要高于大多数现行的算法。　ｅｏｖｅｙｒ　ｏｆ　Ａｓｓｏｃｉａｔｉｏｎ　Ｒｕｌｅｓ［Ｊ］．ＳＩＧＭＯＤ　Ｒｅｃｏｒｄ。２００１．３０（４）：４５．　参考文献：　５４．　［１　１］Ｒ　Ａｇｒａｗａｌ，Ｔ　Ｉｍｉｅｌｉｎｓｋｉ，Ａ　Ｓｗａｍｉ．Ｍｉｎｉｎｇ　Ａｓｓｏｃｉａｔｉｏｎ　Ｒｕｌｅｓ　Ｂｅ・　［１］Ｄ　Ｅ　Ｏ’Ｌｅａｆｙ．Ｋｎｏｗｌｅｄｇｅ　Ｄｉｓｃｏｖｅｒｙ　ａｓ　ａ　Ｔｈｒｏａｔ　ｔｏ　Ｄａｔａｂａｓｅ　Ｓｅｃｕｒｉｔｙ　ｔｗｅｅｎ　Ｓｅｔｓ　ｏｆ　Ｉｔｅｍｓ　ｉｎ　Ｌａｒｇｅ　Ｄａｔａｂａｓｅｓ［Ｃ］．Ｗａｓｈｉｎｇｔｏｎ，Ｄｃ：Ｐｒｏｃ．　［Ｃ］．Ｐｍｃ．ｏｆ　ｔｈｅ　１　ｓｔ　Ｉｎｔ’１　Ｃｏｎｆ．Ｋｎｏｗｌｅｄｇｅ　Ｄｉｓｃｏｖｅｒｙ　ａｎｄ　Ｄａｔａｂａ－　ｏｆ　ＡＣＭ・ＳＩＧＭＯＤ　Ｉｎｔ．Ｃｏｎｆ．Ｍａｎａｇｅｍｅｎｔ　Ｄａｔａ（ＳＩＧＭＤ’９３）。１９９３．　ｓｅ８．１９９１．１０７—５１６．　［２］Ｃ　Ｃｌｉｆｔｏｎ，Ｄ　Ｍａｒｋｓ．Ｓｅｃｕｒｉｔｙ　ａｎｄ　Ｐｒｉｖａｃｙ　Ｉｍｐｌｉｃａｔｉｏｎｓ　ｏｆ　Ｄａｔａ　Ｍｉｎｉｎｇ　作者简介：　［Ｃ］．Ｐｒｏｃ．ｏｆ　ＡＣＭ　Ｗｏｒｋｓｈｏｐ　Ｄａｔａ　Ｍｉｎｉｎｇ　ａｎｄ　Ｋｎｏｗｌｅｄｇｅ　Ｄｉｓｃｏｖｅ．　丁小刚（１９７９・），男，硕士，主要研究领域为数据库安全、数据挖掘、数　ｙｒ，１９９６．　据仓库；黄伟伟。男，硕士，研究方向为数据挖掘、数据库安全；柏文阳　［３］Ｍ　Ａｔａｌｌａｈ，Ｅ　Ｂｅｒｔｉｎｏ。Ａ　Ｅｌｍａｇａｒｍｉｄ。ｅｔ　ａ１．Ｄｉｓｃｌｏｓｕｒｅ　Ｌｉｍｉｔａｔｉｏｎ　ｏｆ　（１９６７－），男，副教授，研究方向为数据库安全、数据挖掘、数据仓库。　（上接第１５页）　ｂａｓｅｄ　Ａｎｔｉ—Ｗｏｒｍ　Ｓｙｓｔｅｍ［ＥＢ／ＯＬ］．ｈｔｔｐ：／／ｄｏｉ．ｉｅｅｅｃｏｍｐｕｔｅｒｏｓｃｉｅ．　［１Ｏ］Ｓｐａｆｆｏｒｄ　Ｅｕｇｅｎｅ　Ｈ．Ｔｈｅ　Ｉｎｔｅｍｅｔ　Ｗｏｒｍ　Ｐｒｏｇｒａｍ：Ａｎ　Ａｎａｌｙｓｉｓ［Ｊ］．　ｔｙ．ｏｒｇ／１０．１　１０９／ＡＩＮＡ．２００３．１　１９３００６，２００３．　ＡＣＭ　Ｃｏｍｐｕｔｅｒ　Ｃｏｍｍｕｎｉｃａｔｉｏｎ　Ｒｅｖｉｅｗ，１９８９。１９（１）：１７－５７．　［２Ｏ］左晓栋，戴英侠．“狮子”蠕虫分析及相关讨论［Ｊ］．计算机工程．　［１１］郑辉，李冠一，涂奉生，蠕虫的行为特征描述和工作原理分析　２００２，２８（１）：１６－１７．　［Ｃ］．第三届中国信息和通信安全学术会议论文集．北京：科学　［２１］Ｚｅｓｈｅｎｇ　Ｃｈｅｎ，Ｌｉｘｉｎ　Ｇａｏ，Ｋｅｖｉｎ　Ｋｗｉａｔ．Ｍｏｄｅｌｉｎｇ　ｔｈｅ　Ｓｐｒｅａｄ　ｏｆ　Ａｃ・　出版社．２００３．１６８．１７２．　ｔｉｖｅ　Ｗｏｒｍｓ［ＥＢ／ＯＬ］．ｈｔｔｐ：／／ｗｗｗ．ｉｅｅｅ・ｉｎｆｏｃｏｍ．ｏｒｇ／２００３／ｐａｐｅｒｓ／　［１２］栾新民，廖闻剑　Ｎｉｍｄａ蠕虫分析与防范［Ｊ］．计算机应用研究，　４６　Ｏ３．ｐｄｆ．２００３．　２００２，１９（１１）：１５５・１５８．　［２２］Ｓｔｕａｒｔ　Ｅ　Ｓｅｈｅｅｈｔｅｒ，Ｊａｅｙｅｏｎ　Ｊｕｎｇ．Ａｒｔｈｕｒ　Ｗ　Ｂｅｒｇｅｒ．Ｆａｓｔ　Ｄｅｔｅｃｔｉｏｎ　［１３］Ｚｏｕ　Ｃｌｉｆ　Ｃ，Ｇｏｎｇ　Ｗｅｉｂｏ，Ｄｏｎ　Ｔｏｗｓｌｅｙ．Ｃｏｄｅ　Ｒｅｄ　Ｗｏｒｍ　Ｐｒｏｐａｇａｔｉｏｎ　ｏｆ　Ｓｃａｎｎｉｎｇ　Ｗｏｒｍ　Ｉｎｆｅｃｔｉｏｎｓ［ＥＢ／ＯＬ］．ｈｔｔｐ：／／ｅｅｃｓ．ｈａｒｖａｒｄ．ｅｄｕ／一　Ｍｏｄｅｌｉｎｇ　ａｎｄ　Ａｎａｌｙｓｉｓ［ｃ］．Ｗａｓｈｉｎｔｇｏｎ，ＤＣ：ＣＣＳ’０２，２００２．１８．　ｓｔｕａｒｔ／ｐａｐｅｒｓ／ｓｃａｎｗｏｒｍ．ｐｄｆ，２００３．　２２．　［２３］Ｓｔｅｌｉｏｓ　Ｓｉｄｉｒｏｇｌｏｕ，Ａｎｇｅｌｅｓ　Ｄ　Ｋｅｍｍｙｔｉｓ．Ｃｏｕｎｔｅｒｉｎｇ　ＮｅｔｗｏｒｋＷｏｒｍｓ　［１４］Ｌａｎｃｅ　Ｓｐｉｔｚｎｅｒ．Ｈｏｎｅｙｏｐｔｓ，Ｄｅｆｉｎｉｔｉｏｎｓ　ａｎｄ　Ｖａｌｕｅ　ｏｆ　Ｈｏｎｅｙｐｏｔｓ　ｔｈｒｏｕｇｈ　Ａｕｔｏｍａｔｉｃ　Ｐａｔｃｈ　Ｇｅｎｅｒａｔｉｏｎ［Ｃ］．ＩＥＥＥ　Ｓｅｃｕｒｉｔｙ　ａｎｄ　Ｐｒｉｖｃａｙ，　［ＥＢ／ＯＬ］．ｈｔｔｐ：／／ｗｗｗ．ｓｐｉｔｚｎｅｒ．ｎｅｔ／ｈｏｎｅｙｐｏｔｓ．ｈｔｍ１．２００１．　２００５．　［１５］卿斯汉，文伟平，蒋建春，等．一种基于网状关联分析的网络蠕虫　［２４］Ｍａｎｕｅｌ　Ｃｏｓｔａ，Ｊｏｎ　Ｃｒｏｗｃｒｏｆｔ，Ｍｉｇｕｅｌ　Ｃａｓｔｏｒ，ｅｔ　ａ１．Ｃａｎ　Ｗｅ　Ｃｏｎｔａｉｎ　预警新方法［Ｊ］．通信学报。２００４，２５（７）：６２．７０．　Ｉｎｔｅｍｅｔ　Ｗｏｒｍｓ［ＥＢ／ＯＬ］．ｈｔｔｐ：／／ｒｅｓｅａｒｃｈ．ｍｉｃｒｏｓｏｆｔ，ｃｏｍ／一ａｎｔｒ／　［１６］邱晓鹏，张玉清，冯登国．蠕虫攻防技术综述［Ｃ］．全国网络与　ＭＳ／ＨｏｔＮｅｔｓＶｉｇｉｌａｎｔｅ．ｐｄｆ，２００３．　信息安全技术研讨会专题论文集，２００４．５７．６２．　［２５］Ｓｈｉｇａｎｇ　Ｃｈｅｎ。Ｓａｎｊａｙ　Ｒａｎｋａ．Ａｎ　Ｉｎｔｅｒｎｅｔ　Ｗｏｒｍ　Ｅａｒｌｙ　Ｗａｒｎｉｎｇ　Ｓｙｓ－　［１７］Ｍａｒｅ　ＭａｓｕｈｅＵｉ．Ａ　Ｖｉｒｕｓ　ａｎｄ　ａ　Ｗｏｒｍ：Ｌｅｓｓｏｎｓ　ｅＬａｒｎｅｄ　ｆｒｏｍ　Ｓｉｒｃａｍ　ｔｅｍ［ＥＢ／ＯＬ］．ｈｔｔｐ：／／ｗｗｗ．ｃｉｓｅ．ｕｆ１．ｅｄｕ／一ｓｇｃｈｅｎ／ｐａｐｅｒｓ／ｇｌｏｂｅ－　ｎａｄ　Ｃｏｄｅ　Ｒｅｄ　ｉｎ　ａ　Ｕｎｉｖｅｒｓｉｔｙ　Ｅｎｖｉｒｏｎｍｅｎｔ［ＥＢ／ＯＬ］．ｈｔｔｐ：／／ｒｒ．　ｅｏｍ２ＯＯ４＿ｗｏｒｍ．ｐｄｆ。２００４．　ｇａｎｓ．ｏｒｇ／ｍａｌｉｃｉｏｕｓ／ｓｉｒｃａｍ２．ｐｈｐ．２００３．　作者简介：　［１８］Ｊｏｓｅ　Ｎａｚａｒｉｏ，Ｊｅｒｏｍｙ　Ａｎｄｅｒｓｏｎ，Ｒｉｃｋ　Ｗａｓｈ．ｓｔ　ａ１．Ｔｈｅ　Ｆｕｔｕｒｅ　ｏｆ　Ｉｎ＿　周涛（１９７９－），男，博士研究生，主要研究方向为网络环境下复杂系统　ｔｅｍｅｔ　Ｗｏｍｒｓ［ＥＢ／ＯＬ］．ｈｔｔｐ：／／ｗｗｗ．ｂｌｃａｋｈａｔ．ｃｏｎｒ／ｐｒｅｓｅｎｔａｔｉｏｎｓ／　控制与信息安全；戴冠中（１９３７－），男，教授。博士生导师．主要研究方　ＪｏｓｅＮａｚａｒｉｏ／ｂｈ—ｕｓａ一０１－Ｊｏｓｓ—Ｎａｚａｒｉｏ．ｐｄｆ。２００２．　向为自动控制、网络信息安全；幕德傻（１９６３　）。男，教授，博士生导师，　［１９］Ｊａｓｏｎ　Ｃ　Ｈｕｎｇ。Ｋｕａｎ－Ｃｈｅｎｇ　Ｌｉｎ．Ａｎｔｈｏｎｙ　Ｙ　Ｃｈａｎｇ，Ａ　Ｂｅｈａｖｉｏｒ．　主要研究方向为模式识别、网络信息安全。