دانلود ترجمه مقاله امنیت اطلاعات در کلان داده ها

1. مقدمه 2. ارائه دهنده داده 3. گردآورنده داده 4. کاوشگر داده 5. تصمیم گیرنده 6. تئوری بازی در حریم خصوصی داده ها 7. راه حل های غیر فنی برای حفظ حریم خصوصی 8. جهت گیری های پژوهشی آینده 9. نتیجه گیری

محبوبیت و توسعه رو به رشد تکنیک های داده کاوی، تهدیدات جدی به امنیت اطلاعات حساس افراد، وارد کرده است. یکی از موضوعات پژوهشی نوظهور در داده کاوی، که به «داده کاوی حفظ کننده حریم خصوصی» (PPDM) معروف است، به میزان گسترده ای در سالهای اخیر، مورد مطالعه قرار گرفته است. ایده اصلی PPDM، اصلاح داده ها، به نحوی است که الگوریتم های داده کاوی بطور موثر بدون مختل شدن امنیت اطلاعات حساس گنجانده شده در داده ها، عمل کنند. مطالعات قبلاً انجام شده در مورد PPDM عمدتاً بر نحوه کاهش ریسک حریم خصوصی بخاطر عملیات های داده کاوی تاکید داشتند، درحالی که در حقیقت، افشای ناخواسته اطلاعات حساس نیز ممکن است در فرآیند گردآوری داده ها، انتشار داده ها و تحویل داده ها (یعنی نتایج داده کاوی)، رخ دهد. در این مقاله، مسائل حریم خصوصی مرتبط با داده کاوی از یک چشم انداز وسیع تر را مرور می کنیم و رویکردهای مختلفی که می توانند به حفاظت از اطلاعات حساس کمک کنند را مورد بررسی قرار می دهیم. بخصوص اینکه، چهار نوع مختلف از کاربران مشغول و درگیر در کاربردهای داده کاوی، یعنی ارائه کننده داده ها، گردآروی کننده داده ها، داده کاو و تصمیم گیرنده را شناسایی می کنیم. برای هر نوع کاربر، در مورد نگرانی های حریم خصوصی وی و روش های قابل استفاده برای حفاظت از اطلاعات حساس، بحث می کنیم. به اختصار، مبانی موضوعات پژوهشی مرتبط را معرفی می کنیم، رویکردهای نوین را مرور می کنیم و تعدادی دیدگاه اولیه در مورد جهت های پژوهشی آتی، ارائه می دهیم. علاوه بر بررسی رویکردهای حفظ کننده حریم خصوصی برای هر نوع کاربر، همچنین رویکردهای نظریه بازی، که برای تحلیل اثر متقابل بین کاربران مختلف در سناریوی داده کاوی، پیشنهاد شده اند و هر کدام از آنها ارزش یابی مخصوص به خود در مورد اطلاعات حساس دارند، را مرور می کنیم. با متمایز سازی مسئولیت های کاربران مختلف با توجه به امنیت اطلاعات حساس، قصد داریم اطلاعات مفیدی در مورد مطالعه PPDM، ارائه دهیم.

The growing popularity and development of data mining technologies bring serious threat to the security of individual,'s sensitive information. An emerging research topic in data mining, known as privacy-preserving data mining (PPDM), has been extensively studied in recent years. The basic idea of PPDM is to modify the data in such a way so as to perform data mining algorithms effectively without compromising the security of sensitive information contained in the data. Current studies of PPDM mainly focus on how to reduce the privacy risk brought by data mining operations, while in fact, unwanted disclosure of sensitive information may also happen in the process of data collecting, data publishing, and information (i.e., the data mining results) delivering. In this paper, we view the privacy issues related to data mining from a wider perspective and investigate various approaches that can help to protect sensitive information. In particular, we identify four different types of users involved in data mining applications, namely, data provider, data collector, data miner, and decision maker. For each type of user, we discuss his privacy concerns and the methods that can be adopted to protect sensitive information. We briefly introduce the basics of related research topics, review state-of-the-art approaches, and present some preliminary thoughts on future research directions. Besides exploring the privacy-preserving approaches for each type of user, we also review the game theoretical approaches, which are proposed for analyzing the interactions among different users in a data mining scenario, each of whom has his own valuation on the sensitive information. By differentiating the responsibilities of different users with respect to security of sensitive information, we would like to provide some useful insights into the study of PPDM.