本發(fā)明涉及數(shù)據(jù)隱私保護技術(shù)，特別是一種應(yīng)用于供應(yīng)鏈管理中的產(chǎn)品數(shù)據(jù)保護方法，具體是一種結(jié)合了相關(guān)差分隱私機制和邏輯回歸模型的數(shù)據(jù)保護方法。

背景技術(shù)：

1、在供應(yīng)鏈管理中，產(chǎn)品數(shù)據(jù)的安全性和隱私性至關(guān)重要。這些數(shù)據(jù)包括產(chǎn)品設(shè)計參數(shù)、制造過程數(shù)據(jù)、材料規(guī)格、歷史銷售數(shù)據(jù)等，通常涉及敏感信息，需要在進行數(shù)據(jù)分析和預測時進行隱私保護。傳統(tǒng)的差分隱私技術(shù)在處理相關(guān)數(shù)據(jù)時存在隱私泄露的風險。因此，有必要開發(fā)一種新的數(shù)據(jù)保護方法，以提高產(chǎn)品數(shù)據(jù)的隱私保護水平。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的是提供一種基于差分隱私邏輯回歸的方法，用于在供應(yīng)鏈中對產(chǎn)品數(shù)據(jù)進行有效保護，同時保證數(shù)據(jù)處理的準確性。本發(fā)明通過以下技術(shù)方案實現(xiàn)上述目的：

2、(1)數(shù)據(jù)預處理步驟，對產(chǎn)品數(shù)據(jù)進行清洗、整合和轉(zhuǎn)換；

3、(2)特征選擇步驟，通過前向-后向特征選擇方法選擇最優(yōu)特征子集；

4、(3)關(guān)聯(lián)度量步驟，構(gòu)建數(shù)據(jù)相關(guān)性矩陣，并根據(jù)相關(guān)敏感度添加噪聲；

5、(4)噪聲添加步驟，在邏輯回歸模型訓練過程中添加噪聲；

6、(5)模型訓練與預測步驟，使用選擇的特征子集訓練模型并對產(chǎn)品需求進行預測。

技術(shù)特征：

1.一種基于差分隱私邏輯回歸的產(chǎn)品數(shù)據(jù)保護方法，用于保護供應(yīng)鏈管理中的產(chǎn)品數(shù)據(jù)，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述特征選擇步驟包括使用隨機森林算法計算特征重要性和數(shù)據(jù)相關(guān)性。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述關(guān)聯(lián)度量步驟包括使用皮爾遜相關(guān)系數(shù)和馬氏距離來衡量記錄之間的相關(guān)性。

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述噪聲添加步驟包括對樣本梯度的均值添加拉普拉斯噪聲或高斯噪聲。

技術(shù)總結(jié)
本發(fā)明涉及一種基于差分隱私邏輯回歸的產(chǎn)品數(shù)據(jù)保護方法，旨在解決供應(yīng)鏈管理中產(chǎn)品數(shù)據(jù)隱私保護的問題。傳統(tǒng)的差分隱私技術(shù)在處理相關(guān)數(shù)據(jù)時存在隱私泄露的風險，因此，本發(fā)明提出了一種結(jié)合相關(guān)差分隱私和邏輯回歸的方法，以提高產(chǎn)品數(shù)據(jù)隱私保護的效用性。本發(fā)明的技術(shù)方案包括數(shù)據(jù)預處理、特征選擇、關(guān)聯(lián)度量、噪聲添加以及模型訓練與預測等步驟。通過使用前向?后向特征選擇方法，選擇最相關(guān)的特征子集。在邏輯回歸模型中引入相關(guān)差分隱私機制，考慮數(shù)據(jù)記錄之間的相關(guān)性，并通過添加拉普拉斯噪聲或高斯噪聲來保護數(shù)據(jù)隱私。實驗結(jié)果表明，本發(fā)明的方法能夠有效提高產(chǎn)品數(shù)據(jù)的隱私保護水平，同時保持較高的預測準確性。本發(fā)明的有益效果在于，通過相關(guān)差分隱私機制和特征選擇方法的結(jié)合，不僅提高了數(shù)據(jù)隱私保護的能力，還減少了數(shù)據(jù)查詢誤差，提高了數(shù)據(jù)的實用性和預測模型的準確性。

技術(shù)研發(fā)人員：宋曉,劉銘
受保護的技術(shù)使用者：北京航空航天大學
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/19