داده کاوی کلان داده ها و حفظ حریم خصوصی

داده کاوی کلان داده ها و حفظ حریم خصوصی

کلان­داده داده­ای حجیم، ناهمگون و با توزیع نامتمرکز است که ابعاد مختلفی دارد. در کاربردهای کلان­داده، میزان داده­های گردآوری­شده مدام رو به افزایش است، به همین دلیل مدیریت، حصول یا استخراج و پردازش داده­ها با استفاده از ابزارهای نرم­افزاری موجود دشوار است. تحلیل داده به علت حجم بزرگ داده­های موجود در انبار داده پرهزینه می­شود. حریم خصوصی داده­ها یکی از مشکلات داده­کاوی کلان­داده­ها است. برای حفظ حریم خصوصی کاربر، نیاز است از روش­هایی استفاده کنیم که هم حریم خصوصی داده­ها را حفظ می­کنند و هم سودمندی داده­ها را افزایش می­دهند. در الگوریتم­های متمرکز موجود فرض بر این است که تمام داده­ها باید در مکانی متمرکز باشند تا ناشناس باقی بمانند که این کار برای مجموعه داده­های بزرگ چندان ممکن نیست. الگوریتم­های توزیع­شده­ای نیز وجود دارند که عمدتاً به حفظ حریم خصوصی مجموعه داده­های بزرگ می­پردازند و کاری به مسألۀ مقیاس­پذیری ندارند. در سیستم پیشنهادی، به حفظ حریم خصوصی برای داده­های توزیع­شده می­پردازیم، و همچنین با تکنیک جدید برش و بی‌نام­سازی بر مشکلات m-privacy و رویکرد حفظ اسرار فائق می­آییم. هدف اصلی­مان انتشار دیدی عینی یا ناشناس از داده­های یکپارچه است که در مقابل حملات مصون­ است. از رویکرد MR-Cube استفاده می­کنیم که با معیاری جامع بر مشکلات محاسبات مکعب­های دادۀ بزرگ فائق می­آید. برش سه بخش دارد: تعمیم، برش و بی‌نام­سازی. وقتی برش انجام شد، کاربران می­توانند به داده­های ناشناس دسترسی پیدا کنند و دسترس­پذیری­شان به داده افزایش یابد.

در این مقاله، نحوۀ کاوش کلان­داده­ها را با استفاده از چارچوب نگاشت­کاهش هادوپ شرح دادیم. این چارچوب حریم خصوصی را در دسترسی غیرمجاز حفظ می­کند. در این مقاله، معماری پیشنهادیِ تعریف شد که شامل تکنیک­های مختلفی مانند نگاشت­کاهش، و تکنیک برش برای تحلیل کلان­داده­ها است، و با استفاده از این تکنیک­ها خروجی نهایی را تولید می­کند.


تلفن


آدرس

اصفهان: خیابان مدرس نجفی

ایمیل
info@novinweb.com

بانک جامع غذا

خدمات
میزبانی وب
میزبانی بانک اطلاعاتی
راه اندازی سرور
راهکارها
سیستم های توزیعی
مهندسی مدل رانده
توسعه فرایند نرم افزار
محصولات
وب سایت اختصاصی
برنامه کاربردی
اپلیکیشن موبایل
Top