چطور این مقاله مهندسی کامپیوتر و IT را دانلود کنم؟
فایل انگلیسی این مقاله با شناسه 2008132 رایگان است. ترجمه چکیده این مقاله مهندسی کامپیوتر و IT در همین صفحه قابل مشاهده است. شما می توانید پس از بررسی این دو مورد نسبت به خرید و دانلود مقاله ترجمه شده اقدام نمایید
حجم فایل انگلیسی :
629 Kb
حجم فایل فارسی :
391 کیلو بایت
نوع فایل های ضمیمه :
pdf+word
کلمه عبور همه فایلها :
www.daneshgahi.com
عنوان فارسي
مرور کلی بر رویکرد برش : انتشار داده با حفظ سودمندی و محرمانگی داده ها
عنوان انگليسي
Review of Slicing Approach: Data Publishing with Data Privacy and Data Utility
نویسنده/ناشر/نام مجله
International Journal of Science and Research IJSR
این مقاله چند صفحه است؟
این مقاله ترجمه شده مهندسی کامپیوتر و IT شامل 4 صفحه انگلیسی به صورت پی دی اف و 9 صفحه متن فارسی به صورت ورد تایپ شده است
چکیده
انتشار داده با حفظ محرمانگی و سودمندی داده ها به تازگی توانسته است داده های با ابعاد بالا را به طور موثری مدیریت کند. در این مثال، برای پرداختن به پیشرفت های تکنولوژی داده کاوی از رویکرد برش استفاده شده است. روش برش، سودمندی داده ها و محرمانگی آنها را نسبت به رویکردهای تعمیم داده و باکت بندی افزایش می دهد. روش برش می تواند با داده های ابعاد بزرگ سروکار داشته باشد، در حالیکه روش تعمیم در برخورد با این نوع داده ها، میزان زیادی از اطلاعات را از دست خواهد داد. روش برش همچنین مانع از افشای عضویت شده و رویکرد افشا را معین می سازد.
1-مقدمه
حوزه ی داده کاوی که به سرعت در حال رشد است، فرآیند کشف الگوهای جالب و دانش از پایگاه داده های بزرگ می باشد. این روش همچنین فرآیند KDD نیز نامیده می شود، برای مثال کشف دانش از داده ها. این رویکرد امکان تحلیل داده را فراهم می آورد، در حالیکه حریم خصوصی داده ها را نیز حفظ می کند. حریم خصوصی داده ها از توزیع غیرضروری یا عمومی یا مورد سو استفاده قرار گرفتن اطلاعات شخصی و محرمانه توسط شخص ثالث، جلوگیری می کند. در انتشار داده ها با حفظ محرمانگی، اطلاعات مفید و جالب با حفظ محرمانگی اطلاعات حساس انتشار داده می شوند. دو مرحله یا گام در حفظ محرمانگی روند انتشار داده ها وجود دارند، اولین آن جمع آوری داده ها و دومین آن انتشار داده است...
انتشار داده محرمانگی داده باکت بندی
:کلمات کلیدی
Abstract
Data publishing with data privacy and data utility has been emerged to manage high dimensional data efficiently. In this paper, to deal with this advancement in data mining technology using accentuate approach of slicing. Slicing provide better data utility and data privacy than bucketization and generalization. Slicing can handle high dimensional data than generalization which loses great amount of information for high dimensional data. Slicing also prevents from membership disclosure and attributes disclosure.
Keywords:
Data Publishing Data privacy Generalization Bucketization Slicing Data Utility
سایر منابع مهندسی کامپیوتر و IT-نرم افزار در زمینه امنیت داده