一种增量发布流式生物数据的隐私保护算法技术领域
本发明涉及数据发布中的匿名隐私保护技术领域，具体是一种增量发布流式生物
数据的隐私保护算法。
背景技术
随着DNA测序技术的发展，DNA测序成本迅速下降，“人类基因组计划”得以完成。在
此之后，大量以基因数据为主体的生物数据仍然不间断地产生，而这些生物数据通过分享
被广泛应用于医学研究和临床诊断。当不同来源的动态生物数据以数据流的形式到达收集
方后，该数据会被及时更新到已发布的数据集中。然而，生物数据的发布具有潜在的隐私泄
露问题，容易造成数据提供者身份被识别。这将会阻碍生物数据的分享，导致生物数据难以
被提供于医学研究。因此，生物数据在发布时应避免提供者身份被识别，进行合理的隐私保
护。
目前，针对于生物数据隐私保护的方法主要为基于图2中的DNA泛化格的k-匿名算
法——DNALA算法，该算法直接对基因组序列进行泛化操作，使发布的生物数据表满足2-匿
名。在DNALA中，Malin已经证明了如果k>2，则匿名后的基因组数据容易造成过度泛化，使发
布的数据集具有较低的效用。为保留数据的可用性，DNALA算法尽可能保证序列聚合成两两
一组的簇，然后对每个簇进行泛化，使每个簇中基因组具有相同的碱基序列。由于DNALA算
法在处理数据时形成少量的包含三个元组的簇，故DNALA保证了满足2-匿名的同时保留了
数据的可用性。但是，DNALA算法是一种处理静态生物数据的算法，该算法处理动态数据的
增量发布需要花费大量的时间，无法使新到达的生物数据及时发布。基于此，Li提出了
Hybrid算法，该算法可以及时匿名并发布流式生物数据，但是Hybrid算法往往会形成大量
包含三个基因组的簇，导致发布的数据集可用性较低。
发明内容
为了克服上述现有技术的缺点，本发明提供一种增量发布流式生物数据的隐私保
护算法，大幅度提升发布的DNA数据集的实用性，使其具有较高的挖掘价值。
本发是以如下技术方案实现的：一种增量发布流式生物数据的隐私保护算法，输
入：流式生物数据集S；已发布数据集A；时延约束δ；已发布数据集A的平均距离AD(Average
Distance)；已发布数据集A的聚类结果m个簇(n1,n2,...,nm)，其中，任意ni与nj不包含相同
的元组，且任意一个元组簇ni中包含元组的数量为2或者3，已发布数据集A中的元组均存在
于这m个簇中；输出：更新后的匿名表A'；具体步骤如下：
1)首先，设有空集合Setw用来存放等待发布的数据；
2)当数据集S非空时，取出流式生物数据集S中ts值最小的元组s，将其插入到Setw
中，ts为元组达到收集方的时间；
3)若空集合Setw中元组个数不大于δ，则执行步骤4)；若Setw中元组个数大于δ，则
执行步骤6)；
4)找到空集合Setw内距元组s最近的序列r，计算出r和s的距离dist(r,s)；
5)如果，dist(r,s)小于已发布数据集A的平均距离AD时，从空集合Setw取出元组r
和s形成的簇放入已发布数据集A中，并泛化r和s，然后执行步骤7)；否则，直接执行步骤7)；
6)获取空集合Setw中ts最小的元组a，找到数据集A中距离a最近的序列b，将a添加到含b的
元组簇ni中；针对新形成的元组簇ni所含元素个数的不同，采取相应处理方式：若此时的ni
中元组个数为3时，则泛化ni；若ni中元组个数为4，则把ni划分为元素个数相等的g和h两个
簇，并确保两个分组的内部元素距离之和最小，然后泛化g和h；
7)跳转到步骤2)，直到流式生物数据集S为空；
8)得到更新后的匿名表A'。
本发明的有益效果是：能够对生物数据有效的隐私保护，克服现存Hybrid算法匿
名流式生物数据容易造成过度泛化的缺陷，发布更加精确的数据集，大幅度提高发布生物
数据集的可用性。
附图说明
图1是本发明流程框图；
图2为DNALA算法下的DNA泛化格示意图；
图3为多序列比对机制(MSA)和两两序列比对机制(PSA)示意图；
图4为Hybrid算法下新到达的生物数据更新到已发布数据集中的示例图；
图5为NSPSGD算法下新到达的生物数据更新到已发布数据集中的示例图；
图6a为数据集I，δ＝40时NSPSGD算法与Hybrid算法匿名效果的对比；
图6b为数据集II，δ＝40时NSPSGD算法与Hybrid算法匿名效果的对比；
图6c为数据集III，δ＝80时NSPSGD算法与Hybrid算法匿名效果的对比；
图7a为数据集I，平均距离与时延δ及发布数据量之间的函数关系；
图7b为数据集II，平均距离与时延δ及发布数据量之间的函数关系；
图7c为数据集III，平均距离与时延δ及发布数据量之间的函数关系。
具体实施方式
本发明主要提出了一种增量发布流式生物数据的隐私保护算法，以下为本发明使
用到的k-匿名概念以及流式基因组数据的概念。
定义1 k-匿名模型：发布的数据集中每条记录至少具有k-1不可区分记录，则发布
的数据集满足k-匿名。根据这一原则，k-匿名模型确保重新确定一个人在公布的数据集的
概率不超过1/k。具体参考表1处理结果。表1为原数据集及其k-匿名的转换示意图。其中年
龄和性别的属性已被泛化，并且表中最后一个条目被抑制。从表中可以看出，变换后的数据
集满足2-匿名。
表1
定义2流式基因组数据的k-匿名：假设S为一个具有属性AS＝(pid,DNA sequence,
ts)的流式基因组数据集，其中pid标志个人序列号、DNA为基因序列，ts为S中元组的到达时
间。假设S'为S匿名后的数据，则S'中不包含pid、ts属性。若S'满足k-匿名，则需满足一下条
件：
(1)对于t'由t泛化而得，
(2)对于|EQ(t')|≥k，所有EQ(t')中的元组和t'相同,并且|EQ(t')|代表
|EQ(t')|的数目，那么我们将S'命名为一个满足k-匿名的流式基因数据集。例如表2所示，
表格中左边的数据集为原始流式基因数据，右边的数据则是匿名后满足2-匿名的数据集。
其中pid为3201和3202的元组为一个EQ(t')，此时|EQ(t')|＝2。
表2
定义3延迟约束δ：设P是一个动态基因组数据集的匿名计划，如果由P输出的满足
k-匿名的数据集S'满足：t'.ts-t.ts<δ。其中，t是S中与t'相对应的元组，δ为一个
给定的实数且δ>0。那么，我们称P满足时延约束δ。
针对现存的DNALA算法和Hybrid算法处理动态基因数据的缺陷，我们提出了一种
改进的k-匿名算法。首先，DNALA是一种静态基因组数据，其处理动态序列花费时间较长。其
次，在DNALA中，已证明对包含三个元组的聚簇进行泛化时容易造成过度泛化，降低数据的
可用性，而Hybrid算法在处理动态生物数据时会形成大量包含三元组的簇，造成数据集的
过度泛化。为解决这一问题，本发明中的算法尽可能地使得元组两两聚合成簇并进行泛化，
使匿名后的数据表在满足k＝2的同时，聚合更多的包含两元组的簇。
如图1所示，基于以上所说，一种增量发布流式生物数据的隐私保护算法(NSPSGD
算法)，输入：流式生物数据集S；已发布数据集A；时延约束δ；已发布数据集A的平均距离AD
(Average Distance)；已发布数据集A的聚类结果m个簇(n1,n2,...,nm)，其中，任意ni与nj不
包含相同的元组，且任意一个元组簇ni中包含元组的数量为2或者3，已发布数据集A中的元
组均存在于这m个簇中；输出：更新后的匿名表A'；具体步骤如下：
1)首先，设有空集合Setw用来存放等待发布的数据；
2)当数据集S非空时，取出流式生物数据集S中ts值最小的元组s，将其插入到Setw
中，ts为元组达到收集方的时间；
3)若空集合Setw中元组个数不大于δ，则执行步骤4)；若Setw中元组个数大于δ，则
执行步骤6)；
4)找到空集合Setw内距元组s最近的序列r，计算出r和s的距离dist(r,s)；
5)如果，dist(r,s)小于已发布数据集A的平均距离AD时，从空集合Setw取出元组r
和s形成的簇放入已发布数据集A中，并泛化r和s，然后执行步骤7)；否则，直接执行步骤7)；
6)获取空集合Setw中ts最小的元组a，找到数据集A中距离a最近的序列b，将a添加到含b的
元组簇ni中；针对新形成的元组簇ni所含元素个数的不同，采取相应处理方式：若此时的ni
中元组个数为3时，则泛化ni；若ni中元组个数为4，则把ni划分为元素个数相等的g和h两个
簇，并确保两个分组的内部元素距离之和最小，然后泛化g和h；
7)跳转到步骤2)，直到流式生物数据集S为空；
8)得到更新后的匿名表A'。
由以上步骤可知，NSPSGD算法的步骤2)取出S中最早到达的元组s，并将其插入一
个等待发布的临时存储集合Setw。步骤3)判断Setw中是否有数据等待时间超过了时延。步骤
4)～步骤5)判断如果Setw中元组数小于δ，则Setw中最先到达的等待时长不超过δ。从Setw找
到离s最近的元组r，计算r和s的间距dist(r,s)。如果dist(r,s)小于AD，把r和s组成的簇更
新到A中，这一步确保了已发布数据集新增簇时，不会增大其信息损失量。步骤6)如果Setw
数目不小于δ，则Setw中最先到达的a的等待时长已经超过了给定的时延，取出元组a，在A中
找到离其最近的元组b，将a插入到包括b的簇中，这一步确保了所有的序列都将被发布。如
果a插入后的簇包括四个序列，将其分成两个小簇，使每个簇中仅包含两个元组，然后泛化
这些序列；而新组成的簇包括三个序列时，则直接泛化这些序列。
图3为多序列比对机制(MSA)和两两序列比对机制(PSA)示意图；虽然NSPSGD算法
不能确保在发布的数据集中每个簇中只含有两个基因组，但通过时延约束，可以有效地减
少包含三个元组的簇的形成，使发布的数据集具有较高的可用性，同时，保证了基因数据的
安全性，防止个人隐私的泄露。由此可知NSPSGD算法比Hybrid算法匿名的流式基因数据具
有更小的信息损失。图5是NSPSGD算法处理流式数据的例图，图4是Hybrid算法处理流式数
据的例图。由图可知，图5中包含三序列的簇的个数比图4少，因此，NSPSGD算法具有更高的
精确度。
实验验证及结果分析
实验数据集及环境：为了评估NSPSGD算法，并测试其在处理最新到达基因数据时
的表现，实验使用来自NCBI的三个数据集，分别包含元组个数为：327、540和711。详情如表3
所示。为模拟大数据流，实验将这些数据的1/3作为静态处理数据集，采用Hybrid和其他
MWM-based算法对其进行匿名处理。此后将剩下的2/3作为动态更新数据，并通过NSPSGD算
法进行动态匿名化处理。
表3
测试NSPSGD算法的实验平台配置如下：AMD Athlon(tm)II 2.1GHz CPU/4GB内存，
Window 10系统。以下所得实验数据均为在运行10次实验的基础上取其结果的平均值。
实验结果分析
图6a、图6b以及图6c为平均距离随流基因序列更新数量的变化情况。从图6a中可
以看出，NSPSGD算法处理后形成的平均距离小于Hybrid算法，且NSPSGD算法隐匿的数据平
均距离不断缩减，Hybrid算法总体呈现曲折下降。在这个过程中，Hybrid算法泛化产生了许
多三序列簇，从而导致平均距离增大，而NSPSGD算法可以找到一些Setw中适当的二序列簇
使得平均距离减小。因此，被NSPSGD算法隐匿的数据相比于Hybrid算法的处理结果具有更
小的平均距离和IL。图6b和图6c也显示了相同结论：在处理流式数据时，NSPSGD算法比
Hybrid算法有更高的精度。
图7a、图7b以及图7c主要展现NSPSGD算法本身所具有的参数与效果之间的评估，
图中数据表示平均距离与发布序列量及时延δ之间的函数关系。从中可以看出普遍规律，随
着时延的增大，在同一更新数据量的情况下，平均距离随之减小的。
综上所述，相比于Hybrid算法，NSPSGD算法整体性能更优。同时，实验结果表明该
算法遵循一般规则：在整个过程中抑制阈值越大，信息损失得越少。它能够保留Hybrid算法
的特点，对生物数据进行有效的隐私保护，克服现存的Hybrid算法生成大量三序列聚类的
缺陷，发布更多精确的数据集，同时缩短匿名增量流式生物数据的时间，使得发布的生物数
据集的实用性大大增强。