本文介绍了前端面试笔记随笔---kalrry相关内容，对大家解决问题具有一定的参考价值，需要的朋友们一起学习吧！

• • 1、父元素和子元素宽高不固定，如何实现水平垂直居中
  • 2、分别实现骰子中的'一点' 和 '三点' 的布局。
  • 3、简述选择器~和+的区别。
  • 4、简述box-sizing的有效值以及所对应的盒模型规则。
• 7、简述data:属性的用法（如何设置，如何获取），有何优势？
• 11、CSS3 如何实现圆角边框
• 12、HTML5有哪些缓存方式
• 13、CSS3新增伪类有那些
• 14、CSS实现水平/垂直水平居中
• 17、什么叫做优雅降级和渐进增强？
• 18、移动端适配怎么做？
• 19、请问苹果原生浏览器中默认样式如何清除,例如input默认样式？
• 20、CSS清除浮动的方法
• 21、PC端常用的布局方法
• 22、布局左边20%，中间自适应，右边200px，不能用定位
• 23、行内元素和块级元素？img算什么？行内元素怎么转化为块元素？
• 24、将多个元素设置为同一行?清除浮动的几种方式？
• 25、怪异盒模型box-sizing？弹性盒模型|盒布局?
• • 使用公式 `(an + b)`。描述：表示周期的长度,n 是计数器（从 0 开始）,b 是偏移值。
  • `odd` 和 `even` 是可用于匹配下标是`奇数`或`偶数`的子元素的关键词（`第一个子元素的下标是 1`）
• 31、如何让一个div 上下左右居中?
• 33、如何理解HTML结构语义化？
• 34 CSS3中引入的伪元素有什么？
• 35、HTML5有哪些新特性，移除了哪些元素？如何处理HTML5新标签兼容问题？如何区分HTML和HTML5？
• 36、常见浏览器兼容性问题？
• 37、简述前端优化方式
• 38、块级元素？行内元素？空元素？
• 41、一般做手机页面切图的几种方式

传统方法无兼容性问题，但是不够优雅、方便

HTML5新方法很优雅、方便，但是有兼容性问题，可以在移动端开发或不支持低版本浏览器的项目中使用

优势：自定义的数据可以让页面拥有更好的交互体验（不需要使用 Ajax 或去服务端查询数据）。

定义：title是网站标题，h1是文章主题

作用：title概括网站信息，可以直接告诉搜索引擎和用户这个网站是关于什么主题和内容的，是显示在网页Tab栏里的；h1突出文章主题，面对用户，是显示在网页中的.

从视觉上效果观看b与strong是没有区别的,从单词的语义也可以分析得出，b是Bold(加粗)的简写，所以这个B标记所传达的意思只是加粗，没有任何其它的作用，而Strong我们从字面理解就可以知道他是强调的意思，所以我们用这个标记向浏览器传达了一个强调某段文字的消息，他是强调文档逻辑的，并非是通知浏览器应该如何显示。

标准文档流：网页在解析的时候，遵循于从上向下，从左向右的一个顺序，而这个顺序就是来源于标准文档流。

标准文档流等级，分为两种等级：块级元素和行内元素；

1).霸占一行，不能与其他任何元素并列

3).如果不设置宽度，那么宽度将默认变为父亲的100%，即和父亲一样宽

2).不能设置宽、高。默认的宽度就是文字的宽度

z-index 属性设置元素的堆叠顺序。拥有更高堆叠顺序的元素总是会处于堆叠顺序较低的元素的前面，当脱离文档流内容较多，并且相互重叠的时候，就有可能发生本想完全显示的内容被其他内容遮挡的结果，这时我们就需要人为指定哪个层在上面，哪个在下面，z-index属性就是干这个用的。注意：Z-index 仅能在定位元素上奏效.

11、CSS3 如何实现圆角边框

这个分享里面说的一样——知道总比不知道好。

渲染性能 渲染性能是 CSS 优化最重要的关注对象。页面渲染 junky 过多？看看是不是大量使用了 text-shadow？是不是开了字体抗锯齿？CSS 动画怎么实现的？合理利用 GPU 加速了吗？什么你用了 Flexible Box Model？有没有测试换个 layout 策略对 render performance 的影响？这个方面搜索一下 CSS render

可维护性、健壮性 命名合理吗？结构层次设计是否足够健壮？对样式进行抽象复用了吗？优雅的 CSS 不仅仅会影响后期的维护成本，也会对加载性能等方面产生影响。这方面可以多找一些 OOCSS（不是说就要用 OOCSS，而是说多了解一下）等等不同 CSS Strategy 的信息，取长补短。

45、如何对css文件进行压缩合并?

46、什么是组件？什么是模块化？有什么区别？

Path：表示cookie的所属路径，一般设为“/”，表示同一个站点的所有页面都可以访问这个cookie。

cookie，当前session会话结束后，就过期了。对应的，当关闭（浏览器中）该页面的时候，此cookie就应该被浏览器所删除了。

secure：表示该cookie只能用https传输。一般用于包含认证信息的cookie，要求传输此cookie的时候，必须用https传输。

如果你用的是谷歌浏览器，此时可以右击鼠标，选择检查，选择Application标签页，左侧找到cookies点击就可以看到这几个属性了

26、说明“”和“=”之间的区别？

“”仅检查值相等，而“=”是一个更严格的等式判定，如果两个变量的值或类型不同，则返回false。

由于3和2是整数，它们将直接相加。由于7是一个字符串，它将会被直接连接，所以结果将是57。

28、说明如何检测客户端机器上的操作系统？

这篇关于前端面试笔记随笔---kalrry的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持！

1.本发明涉及一种差分隐私数据发布方法，特别是一种满足个性化隐私预算分配的差分隐私数据发布方法。

2.数字信息化时代的到来，使得数据的发布和利用显得尤为重要。政府和相关部门利用数据资源能够提供科学决策规划、预测市场趋势。但待发布数据中通常包含着大量敏感信息，直接发布这样的数据势必造成用户隐私信息的泄露。如何在保证用户敏感信息不被泄露的同时，使得数据可用性达到最大化，是研究数据发布问题的关键。近年来，研究人员针对数据发布中隐私保护问题，提出了一些方法，主要包括基于数据的匿名发布方法和基于数据的失真发布方法。
3.k-anonymity是数据匿名发布方法的典型代表，其通过对待发布数据的准标识符属性进行分组、泛化等操作，使每条记录与至少k-1条其他记录无法区分，从而保护数据隐私。针对k-anonymity模型中存在的缺陷，后续l-diversity和t-closeness方法被提出，虽然匿名方法能在一定程度上保护数据中的隐私信息，但该类方法是在假设攻击者不具有任何背景知识的前提下才能有效，无法抵御背景知识攻击和组合攻击。差分隐私作为基于数据失真的发布方法，被广泛研究及应用，因其不对攻击者所具备的背景知识做任何假设，对待发布的数据添加一定的可用噪声进行扰动，从而提供强大的隐私保证。比如医学研究人员可以通过对医学大数据进行聚类分析获得疾病的一般分布和临床表现，从而更好地诊治疾病并且研究疾病的发病原因，但是经聚类后的数据往往包含着病患大量的个人隐私，如果处理不得当容易被攻击者恶意分析从而造成病患隐私信息的泄露。

4.本发明设计开发了一种满足个性化隐私预算分配的差分隐私数据发布方法，通过对数据集中属性的敏感级别进行分级，第不同级别敏感属性进行隐私预算分配，再通过改进的k-prototype算法对原始数据集进行聚类，对每个簇中聚类中心进行差分隐私保护，生成满足差分隐私的待发布数据集，满足多种查询要求。本方法能够在健康机构中对病患数据进行保护和发布，在满足数据可用性最大的前提下，既能保护用户隐私又能供研究人员分析和使用。
5.本发明提供的技术方案为：
6.一种满足个性化隐私预算分配的差分隐私数据发布方法，包括：
7.步骤一、根据数据集中属性的敏感级别，通过互信息与属性对敏感属性进行分级；
8.步骤二、构造隐私预算划分二部图，对不同级别的敏感属性匹配相应的隐私预算；
9.步骤三、对原始数据集进行聚类，通过敏感属性分配的隐私预算，对聚类中心值进行差分隐私保护，生成满足差分隐私的待发布数据集。
10.优选的是，所述步骤一中，根据数据集中属性之间互信息的关联程度，将其分为：
高敏感属性组、中敏感属性组和低敏感属性组。
11.优选的是，所述步骤二包括：
12.设定每个原始敏感属性的隐私损失pi为0，计算每个隐私预算对应的隐私消耗c
和每个敏感属性的信息损失值ls：
15.其中，高敏感属性组、中敏感属性组和低敏感属性组之间的隐私保护强度比为5:3:2；
16.通过损失函数，构造隐私预算划分图；
17.当隐私预算划分图中存在与敏感属性最优匹配的隐私预算时，输出敏感属性与隐私预算的关系图；
18.当隐私预算划分图中不存在敏感属性最优匹配的隐私预算时，将增加一个敏感属性的隐私损失，继续构图匹配，知道获得最优匹配结果。
19.优选的是，所述步骤三包括：
20.在数据集o中，聚类个数为k，隐私预算为{ε1，ε2......εm}
21.对初始中心进行选择，计算各个元祖记录oi的局部密度ρi[]
计算局部密度高于元祖记录oi且距离元祖记录最近的记录oj之间的距离δi：
聚类中心的ρi和δi需满足公式:
其中，μ(δ)和μ(ρ)代表所有元组记录ρi和δi的均值；
通过公式(13)计算z
中每个元组记录的一个综合ρi和δi的参数αi，
该值(具体是哪个参数的数值)越大，则该元组记录的属性值越接近成为聚类中心；
将所有元组记录的αi从大到小排序，αi最大的元组记录为聚类中心；
对于其它预选中心点，按照顺序计算在它之前的元组记录的距离，
，则该元组记录可作为初始聚类中心，选取前k条元组记录作为初始聚类中心，
针对数值属性，为簇中每个属性均值添加laplace噪声：
优选的是，所述步骤三还包括：
当聚类损失函数改变，1≤i≤n，计算d(oi，oj)；
将oi划入相异度最小的簇中
重新计算簇内中心点，计算每个属性中心值
计算ei的值，直到ei的值不再发生变化，得到聚类结果。
本发明所述的有益效果：
1、针对数据集中属性的敏感级别不同，利用互信息与属性之间关联关系提出一种敏感度分级方法，使用户对敏感属性重视程度得以量化，为不同的级别的属性匹配对应的隐私保护程度；
2、结合最优匹配理论，构建隐私预算划分二部图，实现对不同级别敏感属性进行隐私预算的分配，较好的解决了平均分配隐私预算导致的数据可用性不高和敏感属性保护不足问题。
3、通过对相异度度量方法和初始中心选择进行改进，提出一种新的k-prototype算法，对原始数据集进行聚类，并对每个簇中聚类中心进行差分隐私保护，生成满足差分隐私的待发布数据集，满足多种查询需求。
4、通过使用本方法，能够在医疗机构中有针对性的统计患有特定疾病的患者数目，并将其发给医疗机构，既保证了用户数据没有被完全公开，又能满足医疗机构的统计需要。
图1(a)为adult数据集上，ε取0.01时，误差平方和在不同聚类簇数下的变化情况图。
图1(b)为adult数据集上，ε取0.1时，误差平方和在不同聚类簇数下的变化情况图。
图1(c)为adult数据集上，ε取1时，误差平方和在不同聚类簇数下的变化情况图。
图1(d)为adult数据集上，ε取5时，误差平方和在不同聚类簇数下的变化情况图。
图2(a)为adult数据集上，ε取0.01时,记录关联值在不同聚类簇数下的变化情况图
图2(b)为adult数据集上，ε取0.1时，记录关联值在不同聚类簇数下的变化情况图。
图2(c)为adult数据集上，ε取1时，记录关联值在不同聚类簇数下的变化情况图。
图2(d)为adult数据集上，ε取5时，记录关联值在不同聚类簇数下的变化情况图。
图3(a)为ci数据集上，ε取1时，误差平方和在不同聚类簇数下的变化情况图。
图3(b)为ci数据集上，ε取1时，记录关联值在不同聚类簇数下的变化情况图。
图4为初始隐私预算二部图。
图5为属性泛化层次结构图。
下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文
如图1-5所示，本发明提供一种满足个性化隐私预算分配的差分隐私数据发布方法，通过对数据集中属性的敏感级别进行分级，第不同级别敏感属性进行隐私预算分配，再通过改进的k-prototype算法对原始数据集进行聚类，对每个簇中聚类中心进行差分隐私保护，生成满足差分隐私的待发布数据集，满足多种查询要求，包括：
步骤一、根据数据集中属性的敏感级别不同，通过互信息与属性之间关联关系对敏感属性进行分级；
步骤二、结合最优匹配理论，构建隐私预算划分二部图，对不同级别的敏感属性匹配相应的隐私预算；
步骤三、利用改进的k-prototype算法对原始数据集进行聚类，通过敏感属性分配的隐私预算，对聚类中心值进行差分隐私保护，生成满足差分隐私的待发布数据集。
其中，步骤一具体包括：
数据集中每个敏感属性的重要程度不同，需要对其进行保护的强度也有所差异，因此需要对敏感属性进行分级操作；利用属性之间互信息的大小，比较它们的关联程度；依据关联程度对其进行划分，将关联程度较高的属性划分在同一组内，敏感属性之间属性灵敏度如果出现交叉，例如：敏感属性元组x1与x2、x1与x3、x2与x3之间互信息的大小关系为i(x1,x2)＞i(x1,x3)＞i(x2,x3)，则将其分为一组；分组完成计算各组的平均属性灵敏度，根据灵敏度的大小，对属性级别进行划分，选择平均灵敏度大小中前1/3的组作为高敏感属性组(has)，中间1/3的组作为中敏感属性组(mas)，其余1/3的组为低敏感属性(las)。其算法伪代码如下所示：
输入：数据集o中敏感属性ri；
输出：分级后的敏感属性分组p1、p2、p3；
4.比较ri与rj关联程度
6、将敏感属性ri与rj划分到p1；
8.计算每个组中平均属性灵敏度记为
步骤二包括：个性化隐私预算分配方案
结合最优匹配理论，为敏感属性分配隐私预算，对于敏感属性保护强度，进行人为
主观设定，可能造成敏感属性对应隐私保护强度设置的过度或不足，根据敏感属性分级策略对其进行优化，对数据集中敏感属性进行自动分级后，再对其保护强度进行设定，最后利用最优匹配理论为各个等级的敏感属性分配隐私预算。
隐私消耗：假设敏感属性等级隐私保护强度为si，每个敏感属性随机分配隐私预算εj，则该敏感属性的隐私消耗计算如下：c
最优匹配：构建二部图(x，y)，如果存在x与y匹配数最大，且|x|＝|y|＝匹配数，则称该方案为二部图的最优匹配；
隐私预算划分图：在满足差分隐私的条件下，使得待发布数据与已发布的满足差分隐私保护并且互信息最大的隐私预算与敏感属性等级链接，构成的二部图称为隐私预算划分图；
如图4所示，给定一组隐私预算εj，一组敏感属性。假设身份证号和疾病为has，则需要对其进行保护的强度较高，需要添加的噪声较大，分配的隐私预算越少，则为其分配隐私预算为{0.01,0.03}；家庭住址和考试成绩为mas，为其分配隐私预算为{0.2,0.35}；邮编和学历为las，低敏感属性加入少量噪声即可，为其分配隐私预算为{1.2,1.35}。构建初始的隐私预算划分图，ls代表每个敏感属性的信息损失，一个εj对应多个敏感属性，当该εj匹配到某一个敏感属性时，若计算下来的ls是最小或者不再变化，则该εj与对应的敏感属性就是一个最优匹配，当所有εj与敏感属性相连接，且整体ls最小，此时敏感属性与隐私预算构成的二部图为最优隐私预算划分图。
具体匹配思想，给定一组具有n个敏感等级的敏感属性和一组包含n个随机隐私预算的集合，将敏感属性等级与使发布数据可用性最高的隐私预算相匹配，其算法流程如下：
输入：数据集o中敏感属性ri，各个敏感属性隐私保护强度si，一组不同的隐私预算εj；
输出：敏感属性与隐私预算最优匹配图；
2.设置隐私损失pi＝0；
8.构建初始隐私预算划分图pm；
9.if最优匹配存在：
11.则该pm为敏感等级与隐私预算的最优匹配结果图；
步骤1-7，设定每个原始敏感属性的隐私损失pi为0，计算每个隐私预算对应的隐私消耗和每个敏感属性ls值，ls代表每个敏感属性的信息损失，其中has、mas与las之间的隐私保护强度比为5:3:2；步骤8-15利用损失函数，构造隐私预算划分图，检查图中是否存在最优匹配，若存在，则输出敏感属性与隐私预算之间的最优匹配关系图。否则，将该敏感属性的pi增加一个单位，返回步骤8，继续构图匹配，直到获得最优匹配结果。
步骤三包括：基于改进k-prototype聚类的差分隐私数据发布算法
k-prototype算法作为经典处理混合属性数据集的聚类算法，人为或者随机的确定初始聚类中心并且利用欧氏距离和海明威公式，简单的衡量属性值之间的距离，降低了聚类算法的稳定性和准确性。对其初始聚类中心的选择和属性值相异度计算公式进行改进，提升聚类效果，进而提高差分隐私保护后数据的可用性。
元组属性值之间相异度度量方法
1.数值型属性相异度度量
设有数据集o包含n条数据记录，m维属性，其中k维数值属性，l维分类属性。则其第p(1＝《p＝《k)维数值属性信息熵计算公式如下：
表示包含第p维数值属性元组记录oi的个数，则该数值属性的权重为则数据记录oh与oj之间第p维数值属性相异度度量公式为：dr(oh，oj)＝w
2.分类型属性相异度度量
对于第q维分类属性，信息熵hq计算公式为：
/n表示第q维分类型属性中第t个分类属性值所占的比重,nq表示第q维分类型属性的个数。
则该分类属性的权重值yq为：
其中，hq为第q维分类属性的信息熵。
分类属性不是某个特定数值，因此需要对分类型属性构建泛化层次树，衡量属性值之间相异度。如对于敏感属性’疾病’，其泛化层次树构建如图5所示。
则数据记录oh与oj之间第q维分类属性的相异度度量公式为；
|分别是第q维分类属性的属性值总数；和分别为oh和oj中泛化到同一级别tq子树包含的叶子节点个数.
对于每个簇，数值属性选择属性值均值v
作为其聚类中心，分类属性选择各属性值中出现频率最高值v
作为其聚类中心，则数据记录之间混合相异度计算公式为：
k-prototype聚类需要使用一个合适的损失函数去度量数值型和分类变量对聚类中心的距离，如距离合适，则该聚类结果即为最优，聚类结束。假设数据集o中包含n条数据记录，聚类个数为k，y
取值为0或1,表示在第l个簇中是否存在元组i,如存在则取值为1，否则为0，该损失函数为：
对于初始中心选择，应尽可能选取与各数据记录相异度较为均衡的属性值，引入数据分布中局部密度和高密度距离定义，对初始中心进行选择。
1)每条元组记录oi与其它元组oj的局部密度，采用高斯核方法对其进行计算：
2)每条元组记录oi到局部密度高于它且距离最近的元组oj之间的距离：
为截断距离,即所有元组记录距离从小到大排序后前1％到2％的取值。
为了高效准确衡量元组之间距离，定义元组记录之间的距离公式为：
其中，数值属性距离采用加权欧式距离计算：
分类属性距离采用加权海明威距离计算：
聚类中心在各自簇中局部密度应为最大，簇之间聚类中心距离应尽可能远，保证聚类后簇之间相异性较高、簇内同质性较高，聚类中心的ρi和δi需满足公式：
为预选聚类中心的集合，μ(ρ)和μ(δ)代表所有元组记录ρi和δi的均值。
为防止同一个簇中出现多个中心，应对中心之间的距离进行规定，利用公式计算z
中每个元组记录的一个综合ρi和δi的参数αi，αi越大，则该元组记录的属性值越有可能成为聚类中心；将所有元组记录的αi从大到小排序，αi最大的元组记录必为聚类中心，对于其它预选中心点，计算按照顺序在它之前的元组记录的距离，若距离大于2d
可作为初始聚类中心，选取前k条元组记录作为初始聚类中心。
为防止聚类后数据集中隐私信息泄露，对聚类中心进行差分隐私保护：
a)针对数值属性，为簇中每个属性均值添加laplace噪声：
其中，为第p维数值属性的平均值，lap(δf/ε)为加入满足隐私预算大小为ε的laplace噪声。
b)针对分类属性，利用指数机制，结合给定的隐私预算和打分函数，概率选择最佳的聚类中心点,使其满足差分隐私保护。
算法1、算法2为敏感属性分配不同隐私预算，利用改进的k-prototype算法对原始数据集进行聚类，聚类完成的数据集被分为k个簇，则簇中各个属性分配到的隐私预算为该属性总体预算的1/k，利用分配到的隐私预算为簇中数据记录加噪，其算法流程如下：
输入：数据集o、聚类个数k、隐私预算{ε1，ε2......εm}；
输出：差分隐私数据集o
4.oi为预选聚类初始中心；
8.则oi必为聚类初始中心；
10.则oj为聚类初始中心；
14.while聚类损失函数改变：
17.将oi划入相异度最小的簇中；
18.重新计算簇内中心点；
19.计算每个属性中心值；
20.计算ei,直到ei的值不再发生变化，输出聚类结果；
23.对于数值属性，计算属性值均值作为该属性聚类中心；分类属性则生成所有属性值集合；
25.针对数值型属性的聚类中心值,利用每个属性划分得到的隐私预算，为其添加laplace噪声；针对分类型属性，利用指数机制选择输出概率最高的属性值作为中心值；
26.生成差分隐私数据集o
对dp-imkp算法进行可用性证明。
定义查询函数f，返回数据集o中某条记录oi，通过k-prototype聚类算法能够有效降低查询敏感度。
证明：k-prototype聚类算法作用在数据集o，将其划分为k个至少包含n条记录的簇。当查询函数f作用于数据集o时，则两条数据记录之间的差异被分化到n条记录上，查询结果返回的是某条记录所在簇的质心，则敏感性至多为δf/n.对于聚类操作中的异常点，其没有被划分到某个簇中，则需要通过某个属性的整体均值来对其进行代替，则查询敏感度将会小于划分到簇中的正常点，因此k-prototype聚类后的数据集进行查询，其敏感度小于等于δf/n，证毕。
dp-imkp算法满足ε-差分隐私。
证明：给定两个相邻数据集o1和o2，经过dp-imkp计算后的输出结果集合分别为m(o1)和m(o2)，为差分隐私数据集，经查询函数f的查询结果分别为f(o1)和f(o2)，h和g分别为dp-imkp算法在相邻数据集o1和o2上所有数值属性数据和分类属性数据输出的结果，为的查询结果。
由差分隐私定义知，针对数值型属性，则：
利用k-prototype聚类算法将数据集o划分为k个互不相交的子集，由差分隐私的并行性可知，为每个子集分配的隐私预算εi即为dp-imkp算法的整体隐私预算ε，因此，dp-imkp满足ε-差分隐私，证毕。
adult数据集是美国人口普查统计信息数据的集合，也是数据分析中常用的数据集之一，包括14个数值、分类属性，去除其中包含缺失属性的记录后可用记录30158条，本发明选取adult数据集中3个数值属性和5个分类属性作为实验属性，如表1所示：
census-income(以下简称ci)数据集是美国人口局于1994和1995年所做的现有人口收入调查，包括40个数值、分类属性，去除重复记录后的可用记录共包括299285条，利用mindutilmineset-to-mlc划分方法，本发明选取其中99762条作为实验记录，并选取4个数值属性和4个分类属性作为实验属性，如表2所示。
实验通过对数据可用性和数据泄露风险程度进行度量，作为验证算法优越性的标准。
针对数据的可用性，采用距离误差平方和(sse)作为衡量标准，其用来计算原始数据记录与经差分隐私保护后数据记录之间的平方误差和，sse值越小，数据信息损失越少。其计算公式如(16)：
′i)表示记录之间相异度大小，针对记录中数值属性相异度采用欧氏距离进行计算；针对分类属性，利用文中提出的方法进行计算。
数据被泄露的风险则利用记录关联(rl)来衡量，该值表示经差分隐私处理后的数据集与原数据集记录匹配的百分比，其计算公式为：
为差分隐私保护后的数据集，d为距离o
相异度最小原始记录的集合，如果真正的原始记录o在d中，则pr(o
)表示在d中猜测到原始记录o的概率为1/|d|,其中|d|为d中包含记录的个数；如果不在，则pr(o
)＝0；rl越大，则证明经差分隐私保护后的数据集记录与原始数据集中记录关联程度越高，数据泄露的风险也越高。
为验证dp-imkp算法在提升数据可用性和降低隐私泄露风险方面的优越性，在不同数据集上，与文献
的dckpdp算法进行实验对比，三种算法针对混合属性数据集，均采用不同方法对原始数据集进行聚类操作处理，其中dp-mdav算法对经典mdav算法进行改进后，对数据集进行微聚集；dp-k-prototype利用经典k-prototype算法对数据集进行聚类；dckpdp对k-prototype算法进行初始聚类中心和相异度计算方法进行改进，对混合属性数据集进行聚类，最后进行差分隐
私保护。通过对比三种算法，能够证明dp-imkp算法在利用改进k-prototype算法、对隐私预算进行个性化划分的优势。
由图一可得，对聚类后的数据集进行差分隐私，sse值随着聚类簇数增加，总体呈下降趋势，验证了定理3的真实性。当k值到达(n为数据集中总记录数)时，sse值几乎达到最优，并且随着聚类簇数增加，聚类结果逐渐接近最优化，sse值也趋于稳定。当ε取值为0.01时，由于隐私预算过小，数据集中加了大量的噪声，即使利用聚类算法对原始数据集进行处理，数据的可用性依然很低；当ε取值为0.1时，sse变化幅度最为明显，但此时sse值相对较高，信息损失代价较大；ε取值为1和5时，sse值较低，并且随着隐私预算变大，加入的噪声减小，信息损失减少，所以二者之间相差较小。但是无论ε取值为多少，本dp-imkp算法的sse值总体上最低，即数据可用性最高，这是因为dp-mdav算法要求数据记录按照到边界记录距离的大小排序，这样由mdav算法生成的聚类不均匀，产生较大的信息损失；dp-k-prototype算法在利用k-prototype算法进行聚类的过程中，人为或随机设定初始聚类中心，没有为数值属性设定权重，造成聚类效果不佳进而使得信息损失较大；dckpdp算法虽然对聚类中心选取和相异度计算方法进行改进，但是在进行差分隐私保护时对各个属性的隐私预算分配采用均分原则，容易造成隐私预算分配不均和浪费。dp-imkp算法对敏感属性采取分级分配隐私预算，能够使得预算充分合理利用，最小程度降低预算浪费，提升数据可用性。设定ε为{0.01,0.1,1,5}，随着聚类簇数变化，各算法在adult数据集上误差平方和变化如图1(a)-(d)所示.
由图1可得，对聚类后的数据集进行差分隐私，误差平方和随着聚类簇数增加，总体呈下降趋势。当聚类簇数到达(n为数据集中总记录数)时，误差平方和几乎达到最优，并且随着聚类簇数增加，聚类结果逐渐接近最优化，误差平方和也趋于稳定。当ε取值为0.01时，由于隐私预算过小，数据集中加入了大量的噪声，即使利用聚类算法对原始数据集进行处理，数据的可用性依然很低；当ε取值为0.1时，误差平方和变化幅度最为明显，但此时误差平方和相对较大，信息损失代价较大；ε取值为1和5时，误差平方和值较低，并且随着隐私预算变大，加入的噪声减小，信息损失减少，所以二者之间相差较小。但是无论ε取值为多少，本发明dp-imkp方法的sse值总体上最低，即数据可用性最高，这是因为dp-mdav算法要求数据记录按照到边界记录距离的大小排序，这样由mdav算法生成的聚类不均匀，产生较大的信息损失；dp-k-prototype算法在利用k-prototype算法进行聚类的过程中，人为或随机设定初始聚类中心，没有为数值属性设定权重，造成聚类效果不佳进而使得信息损失较大；dckpdp算法虽然对聚类中心选取和相异度计算方法进行改进，但是在进行差分隐私保护时对各个属性的隐私预算分配采用均分原则，容易造成隐私预算分配不均和浪费。dp-imkp算法对敏感属性采取分级分配隐私预算，能够使得预算充分合理利用，最小程度降低预算浪费，提升数据可用性。
设定ε为{0.01,0.1,1,5}，随着聚类簇数变化，各算法在adult数据集上记录关联值变化如图2(a)-图2(d)所示。
由图2可得，随着ε增大，经差分隐私保护的数据集中加入的噪声减少，记录关联值逐渐上升。记录关联值取0.01时，记录关联值最低，此时隐私保护力度虽高，但是数据可用
性最差；ε分别取0.1和1时，dp-imkp算法的记录关联值相差控制在0.05以内，dp-mdav、dp-k-prototype和dckpdp三种算法的记录关联值相差均在0.04左右；ε取5，此时隐私保护力度最低，不能体现使用差分隐私的优越性。由于dp-mdav、dp-k-prototype和dckpdp三种算法采用均分原则为各个属性分配隐私预算，因此，无论ε取值大小，这三种算法之间rl差值维持在0.025左右，可以认为这三种算法保护强度相当，但是dp-imkp算法对隐私预算采用了个性化分配，使其能够合理的运用，使得敏感级别较高的属性得到充分的保护，因此本发明dp-imkp算法相较于dp-mdav、dp-k-prototype和dckpdp三种算法，记录关联值降低3％-5％，能够使数据得到更充分的保护。
根据adult数据集上实验分析可得，当ε取值为1时，dp-imkp算法性能最优，为了体现dp-imkp方法的可扩展性，设定ε为1，在数据集ci上进行相同实验。
由图3(a)和图3(b)可得，ε取1时，在数据集ci上进行实验，dp-imkp算法无论是误差平方和还是记录关联值同样最优，即本发明的dp-imkp算法，与同类算法相比，在提升数据可用性和降低隐私泄露风险方面都有优势。
本发明通过研究数据发布中隐私保护问题，提出一种满足个性化隐私预算分配的差分隐私数据发布方法，针对研究的问题，提出敏感属性分级策略，并为各等级敏感属性匹配最合适的隐私预算，利用改进后的k-prototype聚类方法对原始数据集进行聚类操作，使其获得更好的聚类结果，最后结合各敏感属性分配的隐私预算，对数据集进行差分隐私保护。通过实验验证，dp-imkp算法较好地解决了当前方法中存在的数据可用性较低、隐私保护力度不足的问题。但是本发明在进行实验时，只选取了数据集中部分属性，针对包含高维属性数据集时，可能存在发布效率不高等问题。
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。