论文题目

优点

局限性

Toward Efficient and Privacy Preserving Computing in Big Data Era

使用了保密余弦相似性计算协议，更高效

对特定数据隐私问题不足

Hiding a needle in a Haystack: privacy preserving Apriori algorithm in map reduce framework

Hadoop隐私挖掘技术，解决隐私问题的同时保证数据有效性

噪声大小影响了速度

Making big data, privacy, and anonymization work together in the enterprise: experiences and issues

结合匿名化，隐私保护和大数据技术分析使用数据并同时保护用户身份时遇到的经验和问题

使用易受相关攻击影响的K匿名方法

Microsoft Differential Privacy for Everyone

讨论并建议现有的差分隐私方法如何适用于大数据

取决于计算管理员的噪音量，如果计算管理员受到影响，整个系统就会失败

A scalable two-phase top-down specialization approach for data anonymization using MapReduce on cloud

提出了一种可扩展的两阶段自顶向下专门化（TDS）方法，利用云上的Map Reduce框架匿名化大规模数据集

使用易受相关攻击影响的匿名技术

HireSome-II: towards privacy-aware cross-cloud service composition for big data applications

基于以前的基本版本HireSome-I提出了一种隐私感知的跨云服务组合方法，名为HireSome-II（也就是基于历史记录的服务优化方法）

Protection of big data privacy

提出了处理大数据应用程序的各种隐私问题

客户细分分析很容易导致基于年龄性别，种族背景，健康状况，社会背景等的歧视

Fast anonymization of big data stream

提出了一种匿名算法（FAST）来加速大数据流的匿名化

设计和实施不完善。必须基于云的框架中实现，需要高计算能力和高可扩展性

Privacy preserving Ciphertext multi-sharing control for big data storage

提出了密文多共享机制

代理人攻击

Privacy-preserving machine learning algorithms for big data systems

隐私保护机器学习，其中训练数据是分布式的，每个共享数据部分都是大容量的

无法实现分布式功能选择

Privacy-preserving big data publishing

使用MapReduce进行隐私保护的数据挖掘方法

泛化不能处理高维数据，会降低数据效用。扰动也会降低数据的效用。

Proximity-aware local-recoding anonymization with map reduce for scalable big data privacy preservation in cloud

大数据局部编码建模为近距离感知聚类问题，并提出一种可伸缩的两阶段聚类方法

还未能和Apache集成

Deduplication on encrypted big data in cloud

通过基于所有权挑战和代理重新加密（PRE）的重复数据删除功能管理云中的加密大数据

融合加密（CE）受限于有安全限制，即离线易感性 蛮力字典攻击

Security and privacy for storage and computation in cloud computing

不需要重新加密的安全数据共享，恶意内部人员的访问控制以及前向和后向访问控制

限制加密服务器中的信任级别