全书共分为六章：第一章为绪论，介绍了大数据时代隐私内涵的构成要素以及发展变迁历史，并从技术层面、社会层面、个人层面列举了大数据环境下隐私安全的表现形式，总结了当前个人隐私被侵害的类型以及呈现的特征；第二章为隐私泄露风险评估与度量方法，针对常用的隐私保护方法，详细介绍了当前隐私量化模型与度量标准的相关研究，并分析了主流的隐私度量方法的性能优劣以及评价指标；第三章为位置服务中隐私保护技术，并介绍了P2P结构与独立架构两种模式下位置隐私保护技术方案。第四章为深度学习训练数据集隐私保护技术，提出了两种差分?

　　毛典辉（1979-），男，博士，北京工商大学计算机与信息学院副教授，硕士生导师，全国工商联智库委员会委员，江苏省“企业双创领军人才计划——科技副总”，中国移动通信联合会全球区块链产业研究院特聘专家。主要从事隐私保护、区块链&AI融合应用研究。已主持国家社会科学基金项目、教育部人文社科基金项目、北京市“青年英才计划”项目多项，发表SSCI、SCI、EI论文20余篇。

版权信息
作者简介
内容简介
前言PREFACE
第1章　绪论
1.1　大数据与隐私的关系
1.2　隐私内涵的发展变迁
1.2.1　隐私的内涵及构成要素
1.2.2　大数据环境下隐私的新内涵
1.2.3　人工智能时代隐私内涵的新变化
1.3　大数据时代隐私安全问题的表现形式
1.3.1　技术层面的表现形式
1.3.2　社会层面的表现形式
1.3.3　个人层面的表现形式
1.4　大数据时代个人隐私侵害类型
1.5　大数据时代个人隐私侵犯特征
1.5.1　隐私侵犯主体多样化
1.5.2　隐私侵犯手段智能化
1.5.3　隐私侵犯方式隐蔽化
1.5.4　隐私侵犯后果严重化
1.6　研究内容与结构安排
1.6.1　本书的研究内容
1.6.2　本书的结构安排
参考文献
第2章　隐私泄露风险评估与度量方法
2.1　隐私泄露风险评估
2.1.1　隐私泄露风险评估的主体和过程
2.1.2　隐私泄露风险评估方法
2.2　隐私保护技术
2.2.1　基于密码学的隐私保护方法
2.2.2　基于失真的数据隐私保护方法
2.2.3　基于限制发布的数据隐私保护方法
2.2.4　数据隐私保护技术比较
2.3　隐私保护量化模型与标准
2.3.1　隐私量化模型
2.3.2　隐私保护效果度量标准
2.4　隐私度量方法
2.4.1　基于匿名的隐私度量方法
2.4.2　基于信息熵的隐私度量方法
2.4.3　基于集对分析理论的隐私度量方法
2.4.4　基于差分隐私的隐私度量方法
2.5　隐私保护技术与隐私度量方法评价
2.5.1　隐私保护技术的性能评价指标
2.5.2　隐私度量方法的评价比较
参考文献
第3章　位置服务中隐私保护技术
3.1　位置隐私保护系统
3.1.1　查询类型及隐私保护分类
3.1.2　位置隐私保护系统组成实体
3.1.3　位置隐私保护系统结构
3.2　实际路网中位置隐私查询技术
3.2.1　位置隐私查询类型
3.2.2　道路网络中位置隐私范围查询技术
3.3　P2P架构下基于转发代理的位置隐私保护
3.3.1　算法思想与系统架构
3.3.2　基于希尔伯特的位置匿名算法
3.3.3　基于转发代理查询的系统实现
3.3.4　安全性分析
3.3.5　PeerSim仿真平台
3.3.6　实验结果与分析
3.4　独立架构下增量近邻查询的位置隐私保护技术
3.4.1　算法思想
3.4.2　位置隐私保护算法实现
3.4.3　安全性分析
3.4.4　路网模拟器
3.4.5　实验结果与分析
参考文献
第4章　深度学习训练数据集隐私保护技术
4.1　深度学习模型
4.1.1　常用的深度学习模型
4.1.2　深度学习模型存在的问题
4.1.3　深度学习模型的弱点
4.1.4　深度学习模型攻击与隐私窃取方式
4.2　差分隐私与深度学习模型结合
4.2.1　差分隐私基础
4.2.2　基于差分隐私的深度学习模型隐私保护研究进展
4.2.3　典型应用——PATE系统
4.2.4　基于差分隐私的深度学习模型隐私保护框架
4.3　基于DCGAN反馈的深度差分隐私保护方法
4.3.1　深度差分隐私算法实现
4.3.2　基于epoch的隐私损失递归算法实现
4.3.3　基于DCGAN隐私反馈算法实现
4.3.4　实验及分析
4.4　具有隐私上界的多分组深度差分隐私保护方法
4.4.1　相关基础知识
4.4.2　隐私预算上界以及分组数目的选取
4.4.3　损失函数的改进
4.4.4　多分组模型的聚合
4.4.5　实验与评估
参考文献
第5章　区块链数据隐私保护技术
5.1　区块链技术概述
5.1.1　区块链技术发展历史与趋势
5.1.2　区块链技术平台
5.1.3　区块链技术体系架构
5.1.4　区块链技术研究热点
5.2　区块链数据安全与隐私威胁
5.2.1　区块链隐私安全事件
5.2.2　区块链隐私定义
5.2.3　区块链隐私威胁
5.3　区块链隐私保护机制与方法
5.3.1　区块链隐私保护机制
5.3.2　区块链隐私保护技术
5.3.3　现存区块链隐私保护技术分析
5.4　面向电子健康记录的区块链数据隐私保护方法
5.4.1　EHR数据隐私保护研究进展
5.4.2　同态加密与安全多方计算技术
5.4.3　系统技术方案
5.4.4　系统安全分析
参考文献
第6章　数据隐私治理机制与法律监管
6.1　数据隐私监管困境
6.1.1　数据隐私保护的困局
6.1.2　利益相关者分析
6.1.3　数据隐私监管的难度与挑战
6.2　数据隐私治理模式
6.2.1　数据隐私伦理的治理手段
6.2.2　立法保护模式
6.2.3　行业自律主导模式
6.2.4　ICO模式
6.2.5　双向监管模式
6.3　我国数据隐私保护法律监管
6.3.1　我国数据隐私保护现状
6.3.2　我国数据隐私监管保护存在的问题
6.3.3　我国数据隐私监管保护遵循的基本原则
参考文献
致谢

　　信息和网络技术的高速发展使得大数据成为当前学术界和工业界的研究热点，数据爆炸式的增长给人类社会带来了前所未有的机遇与挑战。一方面，基于大数据的处理、分析和共享等技术可以提高企业经济和社会效益。另一方面，隐私已经成为大数据应用领域亟待解决的重要问题。在大数据时代，如何做到获取和利用数据与个人隐私安全的平衡，已然成为当下亟须解决的一个时代命题。公众希望在大数据技术和隐私的矛盾冲突中于哲学里找到一种统一和指导的力量，尤其盼望在科技进步和隐私保护之间寻求汇通和融合，化解科技异化和隐私保护的对立，重塑人的尊严，增进民众幸福和自由。
　　在大数据时代，个人信息隐私保护技术面临着几个方面的挑战：（1）大数据的海量规模以及飞速的实时性变化使得传统的被动式隐私保护技术很难适应。与此同时，在数据收集阶段，数据生成者无法主动地参与隐私保护，使得传统的被动式隐私保护技术束手无策。（2）大数据多样性带来的多源数据融合使得隐私泄露风险大大增加。由于用户数据的广泛分布，使得多个数据集都有可能存在某个个体或者与之关联的信息，这使得融合之后的数据集的隐私风险相比于单个数据集的隐私风险加大。（3）在大数据的环境下，大数据存储者和拥有者完全分离，如何确保合适的数据及属性能够在合适的时间和地点，给合适的用户访问和利用，是大数据访问和使用阶段面临的主要风险。由于云存储服务提供商并不能保证完全可信，用户的数据面临着被不可信的第三方偷窥或者篡改的风险，同时大数据的查询、统计、分析和计算等操作也需要在云端进行，这为传统加密技术带来了新的挑战。（4）当前的大数据隐私保护领域相关研究在隐私泄露风险的度量方法以及造成损失而进行的妥善事后补救措施等方面稍显不足。尽管数据生产者和收集者使用各种方法来保护隐私，但隐私泄露事件仍频频发生。因此需要一种方法来度量隐私泄露带来的潜在风险，并针对隐私泄露造成的危害采取相应的法律治理手段来规范。

　　1.3.3　个人层面的表现形式
　　大数据时代下，个人不仅是数据的生产者，同时也是数据的使用者。个人在使用方式上的不同选择会产生好或坏的结果，隐私安全问题正是由于人们在行为过程中选择了不当的方式而造成的。本节将通过三个方面梳理隐私安全问题在个人层面的表现形式。
　　1．基于网络平台的信息共享所产生的隐私风险
　　在大数据时代下，信息的共享已逐渐成为人们生活中主要的交流活动方式。信息共享是指“在一定范围内的特定群体中交流、分享或传播的个人信息，甚至包括传统上不受任何获取限制的个人信息”。信息共享有利于不同层次人际关系的发展，对于多数人际关系来说，人际关系发展的基础需要依靠某些方面或程度的共享信息，特别是对于信息社会来说，共享信息就显得尤为重要。当前伴随移动智能终端的大量普及，出现了各式各样的信息共享应用，信息共享的方式也呈现出多样化的面貌，人们可以通过社交应用、云储存、网站等以视频、图片、语音或是文字的形式实现信息共享。同时，在信息共享的过程中也存在隐私泄露的风险。以下分两种情况进行分析。
　　（1）主动共享信息。在大数据时代，人们会用自己的隐私去换取个性化的生活，比如在社交应用中人们热衷于向外界展示自己的日常生活，不仅上传日常生活的图片与视频还会发送自己的位置信息。这类信息的共享直接将自己的私人生活曝光在了网络中，一旦此类信息被非法的团体或个人掌握，通过对这些信息的分析处理就很容易确定人们的个人基本信息，如姓名、家庭住址、手机号码等，从而导致个人隐私的泄露甚至是人身安全受到威胁。
　　（2）被动共享信息。所谓被动共享信息是指为了使用某些应用时，不得不在注册或登录时向服务商提供部分个人信息或者选择提供不真实的个人信息。通过这样的方式可以让服务商尽可能少地获取个人信息，在一定程度上确实能够避免隐私的泄露。但是在大数据时代下，个人的隐私极易就能被触及，我们在网络中的一举一动时刻以数据的形式发送给数据服务商，服务商通过对这类数据的分析很容易就能够获得我们的其他个人信息。