幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

面向金融大數據的隱私信息保護/信息化網路平台研究叢書

  • 作者：王健|責編:楊雪//王慧
  • 出版社：經濟管理
  • ISBN：9787509685594
  • 出版日期：2022/08/01
  • 裝幀：平裝
  • 頁數：188
人民幣：RMB 68 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    隨著人工智慧、區塊鏈、深度學習等技術在金融領域的廣泛應用，通過對海量金融數據進行分析、歸納，挖掘出潛在的模式，研究市場運行規律，可以幫助企業調整策略，降低風險，提高效益。然而隨著新技術的廣泛應用，在挖掘規則的同時，可能會泄露用戶的敏感信息。在金融大數據背景下，涉及到用戶的數據量較大，如果這些數據中的隱私信息被泄露將對用戶造成巨大傷害。為了避免用戶在金融大數據環境下訪問服務過程中敏感信息被泄露，本書將提出三種新方法來保護用戶的隱私數據：①將環簽名技術引入到金融大數據環境。②設計隱私策略匹配模型和匹配協議，保護金融大數據環境下用戶的隱私信息。③設計最小屬性泛化演算法，提出基於最小屬性泛化技術保護金融大數據環境下用戶的隱私數據；針對所設計的最小屬性泛化演算法，通過模擬實驗驗證該演算法的正確性和隱私保護度。
作者介紹
王健|責編:楊雪//王慧
    王健，博士，河南財經政法大學電腦與信息工程學院教師。賓夕法尼亞州立大學訪問學者，內布拉斯加州大學林肯分校訪問學者。在大數據安全領域發表多篇論文，主持完成多項省級課題。
目錄
緒論
1  基於隱私保護的數據挖掘概述
  1.1  數據挖掘
  1.2  隱私信息
  1.3  數據挖掘的產生背景
2  相關技術的研究進展
  2.1  基於隱私保護的數據挖掘
  2.2  基於隱私保護的數據挖掘演算法的分類
  2.3  在數據挖掘中實施隱私保護
  2.4  集中式環境下的PPDM演算法
  2.5  分散式環境下的PPDM演算法
    2.5.1  數據垂直分佈條件下的基於隱私保護的分類挖掘演算法
    2.5.2  數據水平分佈條件下的基於隱私保護的關聯規則挖掘演算法
    2.5.3  數據水平分佈條件下的基於隱私保護的聚類挖掘演算法
  2.6  大數據背景下的金融隱私權
  2.7  小結
3  面向金融大數據的數據分析
  3.1  金融數據分析案例
  3.2  面向金融數據的多維數據分析實例
4  基於匿名訪問控制保護金融大數據環境下用戶標識信息
  4.1  相關研究介紹
  4.2  相關概念
  4.3  金融大數據環境下匿名訪問控制方法
  4.4  適用於金融大數據環境的無證書環簽名方案
    4.4.1  生成參數
    4.4.2  生成密鑰
    4.4.3  產生簽名
    4.4.4  驗證簽名
    4.4.5  接收服務
  4.5  安全性分析
  4.6  效率分析
  4.7  小結
5  基於隱私策略匹配演算法保護金融大數據環境下的隱私數據
  5.1  方法闡述
  5.2  金融大數據環境下的隱私策略匹配模型
    5.2.1  隱私策略匹配時所需要考慮的屬性
    5.2.2  基於用戶的匹配模型
    5.2.3  基於SP的評比模型
    5.2.4  基於經紀人的評比模型
    5.2.5  三種評比模型的比較
  5.3  隱私策略匹配演算法
  5.4  安全性分析
  5.5  小結
6  基於最小屬性泛化演算法保護金融大數據環境下的隱私數據
  6.1  本方向相關研究介紹
  6.2  總體思路
  6.3  隱私匹配協議
  6.4  最小屬性泛化演算法
  6.5  案例研究
  6.6  安全性分析

  6.7  實驗分析
    6.7.1  執行效率的評價與分析
    6.7.2  隱私泄露度的比較與分析
  6.8  小結
7  金融大數據環境下基於隱私保護的K-NN分類挖掘演算法
  7.1  引言
  7.2  測量相似度的BWC方法
  7.3  金融大數據環境下的隱私匹配協議
  7.4  適用於金融大數據環境的K-NN分類挖掘演算法
  7.5  安全性分析
  7.6  實驗分析
  7.7  小結
8  金融大數據環境下基於隱私保護的神經網路學習演算法
  8.1  引言
  8.2  相關概念
    8.2.1  神經網路
    8.2.2  同態加密
    8.2.3  語義安全性
    8.2.4  安全多方計算協議
  8.3  反向傳播神經網路學習演算法
  8.4  基於隱私保護的反向傳播神經網路學習演算法
  8.5  演算法PPNN-DHP的安全性分析
  8.6  實驗評價與分析
    8.6.1  執行效率的評價與分析
    8.6.2  準確度誤差的評價與分析
    8.6.3  平均隱私泄露度的比較與分析
  8.7  小結
9  面向金融大數據多敏感屬性的隱私保護研究
  9.1  引言
  9.2  問題分析
  9.3  (α，β，k)-anonymity模型
    9.3.1  問題定義
    9.3.2  (α，β，k)-anonymity
  9.4  (α，β，k)-anonymity演算法
  9.5  實驗評價與分析
    9.5.1  實驗環境
    9.5.2  實驗評價方法
    9.5.3  實驗結果及分析
  9.6  小結
10  金融大數據環境下基於隱私保護的貝葉斯網路增量學習演算法
  10.1  引言
  10.2  貝葉斯網路和K2學習演算法
  10.3  貝葉斯網路增量學習的策略
  10.4  安全多方計運算元協議的設計
  10.5  新的貝葉斯網路增量學習演算法
  10.6  安全性分析
  10.7  實驗評價與分析
  10.8  小結
11  金融大數據環境下基於隱私保護的頻繁模式挖掘演算法
  11.1  引言

  11.2  相關概念
    11.2.1  關聯規則挖掘的相關概念
    11.2.2  基於FP-tree的頻繁模式挖掘演算法
  11.3  一種新的適用於頻繁模式挖掘的分散式框架
  11.4  分散式環境下基於隱私保護的頻繁模式挖掘演算法
    11.4.1  CFPM演算法
    11.4.2  GCFPM演算法
    1 1.4.3  FCFPM演算法
  11.5  安全性分析
  11.6  實驗評價與分析
    11.6.1  改變分散式節點的數目
    1 1.6.2  改變數據集合的參數
    11.6.3  傳輸數據量的比較
  11.7  小結
12  面向金融區塊鏈的隱私數據保護
  12.1  區塊鏈介紹
    12.1.1  區塊鏈的定義
    12.1.2  數據區塊
    12.1.3  區塊鏈的特徵
    12.1.4  區塊鏈的類型
    12.1.5  區塊鏈框架簡介
  12.2  區塊鏈應用案例
    12.2.1  區塊鏈應用於清算與結算業務的優勢
    12.2.2  區塊鏈應用於貸款清算領域的優勢
    12.2.3  區塊鏈應用於借貸領域的優勢
    12.2.4  區塊鏈技術在供應鏈金融平台的應用
  12.3  金融大數據安全存儲管理架構
    12.3.1  點對點的金融區塊鏈
    12.3.2  數據分散式安全共享
  12.4  基於博弈論的數據資源交易
    12.4.1  資源定價與收益模型
    12.4.2  最優定價與最大化收益
  12.5  安全性分析與性能評估
    12.5.1  所提出的演算法
    12.5.2  系統安全性分析
  12.6  小結
13  結語
參考文獻

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032