Detailansicht
Soft-computing-based privacy-preserving model for distributed e-business environments
Fatemeh Amiri
Art der Arbeit
Dissertation
Universität
Universität Wien
Fakultät
Fakultät für Informatik
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Doktoratsstudium der technischen Wissenschaften Informatik
Betreuer*in
Gerald Quirchmayr
DOI
10.25365/thesis.82094
URN
urn:nbn:at:at-ubw:1-11855.37563.204484-0
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Data Mining und Datenaustausch spielen eine wichtige Rolle für Innovationen in modernen Online-Diensten. Gleichzeitig verursachen sie zunehmenden Bedenken hinsichtlich des Schutzes der Privatsphäre von Nutzerinnen und Nutzern. Obwohl datenbasierte Anwendungen erhebliche Vorteile bieten, bleibt der Schutz der Privatsphäre von Nutzerinnen und Nutzern eine grundlegende Voraussetzung, insbesondere wenn individuelle Nutzerdaten verarbeitet oder weitergegeben werden. Eine zentrale Herausforderung besteht daher darin, leistungsfähige und präzise Verfahren zur Datenanalyse zu ermöglichen und gleichzeitig verlässliche Garantien zum Schutz der Privatsphäre sicherzustellen. Diese Dissertation erforscht Methoden für Data Mining und Recommender Systems die die Privatsphäre schützen. Der Schwerpunkt der Arbeit liegt auf der Erkennung und Reduktion von Risiken, die bei der Verarbeitung und Weitergabe von Nutzerdaten entstehen können. In diesem Zusammenhang werden potenzielle Verletzungen der Privatsphäre analysiert, algorithmische Ansätze zum Schutz sensibler Informationen entwickelt sowie die Wechselwirkungen zwischen Analysequalität und Schutz persönlicher Daten in ausgewählten algorithmischen Fragestellungen der Analyse umfangreicher Daten und Recommender Systems untersucht. Darüber hinaus wird ein Modell entwickelt und implementiert, das effiziente Verfahren für datenschutzwahrende Berechnungen integriert. Insbesondere werden verbesserte Clustering-Verfahren auf Grundlage von Soft-Computing-Ansätzen vorgestellt, die speziell für verteilte Systemumgebungen konzipiert sind. Der Schutz sensibler Informationen wird dabei durch die Anonymisierung relevanter Nutzerattribute sowie durch die nichtdeterministische Entfernung seltener Elemente erreicht. Die vorgeschlagenen Methoden werden umfassend ausgewertet, um ihre Eignung für eine Analyse von Nutzerdaten unter strengen Anforderungen an den Schutz persönlicher Informationen aufzuzeigen. Darüber hinaus wird eine theoretische untere Grenze für den minimalen Verlust an Privatsphäre in kollaborativen Empfehlungssystemen mit hoher Leistungsfähigkeit hergeleitet. Ergänzend erfolgt eine vergleichende Untersuchung der Wechselwirkungen zwischen Analysequalität und Privatsphärenschutz in Empfehlungsnetzwerken.
Abstract
(Englisch)
Large-scale data mining and data sharing have become key drivers of innovation in modern online services. However, they also raise significant privacy concerns among users. While data-driven services provide substantial benefits, preserving user privacy remains a fundamental requirement when personal information is disclosed. Consequently, the central challenge is to enable efficient and accurate data analysis while maintaining strong privacy guarantees. This thesis addresses this challenge by investigating privacy-preserving techniques for data mining and recommender systems. The work focuses on identifying and mitigating privacy gaps that arise during the mining and sharing of user data. Potential privacy breaches are examined, privacy-preserving algorithms are proposed, and the trade-offs between data utility and privacy protection are analyzed for selected highly relevant algorithmic problems in the domains of big data analytics and recommender systems. To support these objectives, a model is developed and implemented that integrates efficient techniques for privacy-preserving computation in data mining. In particular, the thesis introduces improved soft-computing-based clustering methods designed for distributed environments. Privacy protection is achieved through the anonymization of sensitive user attributes and the non-deterministic removal of infrequent elements. The proposed methodologies are evaluated to demonstrate their effectiveness in supporting privacy-preserving data analysis. Furthermore, this thesis investigates the relationship between privacy loss and utility in collaborative recommender systems and provides a comparative analysis of privacy–utility trade-offs in recommender networks.
Schlagwörter
Schlagwörter
(Deutsch)
Privacy Big Data Clustering-Ansatz Data Mining Differential Privacy Privacy-Preserving Self-Organizing Map (SOM) Soft Computing Recommender Systems Collaborative Filtering
Autor*innen
Fatemeh Amiri 
Haupttitel (Englisch)
Soft-computing-based privacy-preserving model for distributed e-business environments
Publikationsjahr
2026
Umfangsangabe
xiv, 198 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*innen
Sokratis Katsikas ,
A Min Tjoa
Klassifikation
54 Informatik > 54.38 Computersicherheit
AC Nummer
AC18050551
Utheses ID
80637
Studienkennzahl
UA | 786 | 880 | |