基于Jaya算法与蜻蜓优化算法的医疗数据扰动隐私保护与分类研究

本研究针对医疗数据隐私保护与分类的挑战，提出了一种基于Jaya算法的扰动隐私保护方法，并结合蜻蜓优化算法（DIC）实现高效分类。研究通过扰动威斯康星乳腺癌预后数据集（WBC），显著提升了隐私指标（如Secrecy、VD等），同时保持了分类准确性（>90%）。结果表明，Jaya算法在隐私保护和抗ICA攻击方面优于传统方法（2DRT/3DRT），DIC分类器性能接近决策树和随机森林，为医疗数据安全共享提供了新思路。

　　

在数字化医疗时代，海量敏感健康数据的云端存储与共享成为刚需，但随之而来的隐私泄露风险却像达摩克利斯之剑高悬。传统加密技术虽可靠却成本高昂，而主流扰动方法如2DRT/3DRT又面临隐私-效用平衡难题——就像在钢丝上跳舞，稍有不慎就会导致数据要么保护不足，要么失去分析价值。更棘手的是，现有分类算法对扰动数据的适应性参差不齐，这迫使研究人员寻找更智能的解决方案。

中国某高校的研究团队在《Franklin Open》发表的研究中，创造性地将自然界启发的元启发式算法引入医疗数据保护领域。他们采用Jaya算法对威斯康星乳腺癌预后数据集（WBC）中高Pearson相关系数的6个关键属性进行扰动，通过3次迭代生成抗重构的隐私数据。令人惊喜的是，团队开发的蜻蜓优化分类器（DIC）在扰动数据上展现出93.57%的分类准确率，媲美传统决策树（95.32%），同时隐私指标Secrecy达到11.1681，远超2DRT的1.0968。这项研究为医疗数据"可用不可见"提供了创新范式。

研究团队运用了三大关键技术：1）基于热力图（Heatmap）的Pearson相关系数特征选择；2）Jaya算法多目标优化扰动框架，以最小化属性值总和为目标函数；3）蜻蜓优化分类器（DIC），通过动态调整质心距离实现分类优化。特别选用WBC数据集（569例，30个数值属性）验证方案有效性。

隐私保护性能分析
通过6项隐私指标系统评估显示，Jaya算法在Secrecy（11.1681 vs 3DRT的1.0688）、VD（1.4480 vs 0.7399）等核心指标上显著领先。Kolmogorov-Smirnoff检验（p<0.05）证实扰动数据与原始数据分布迥异，而ICA攻击后重构数据仍保持统计差异（p=4.35×10^-263），证明隐私保护的鲁棒性。

分类器性能对比
在扰动数据上，DIC以93.57%准确率超越多数传统算法（KNN 65.50%，GNB 66.08%），仅次于随机森林（94.74%）。值得注意的是，DIC在扰动数据上的表现反而优于原始数据（89.47%），这种"逆势提升"现象暗示其特殊的噪声适应机制。Friedman检验显示DIC的FMR达2.7，显著高于PSO衍生算法。

资源效率权衡
Jaya算法虽以O(N²D)时间复杂度（对比2DRT的O(ND)）和907KB内存占用暂居劣势，但其隐私-效用平衡优势显著：在保持90%+分类精度的同时，RP值达170.7836，较3DRT提升68%。这种"以空间换安全"的策略在医疗场景中具有特殊价值。

这项研究的突破性在于双轮驱动创新：一方面，Jaya算法通过无参数优化的特性，打破了传统扰动方法依赖矩阵运算的局限，使抗ICA攻击能力提升2.43倍；另一方面，DIC分类器首次证明元启发式算法在扰动数据分类上的可行性，其独特的五行为模型（分离/对齐/凝聚/捕食/逃生）实现了93.57%的准确率。这些发现为医疗数据共享提供了新的技术路径，特别是在需要兼顾数据效用与隐私保护的分布式学习场景中。未来，通过融合电子滤波降噪等技术，或将进一步释放扰动数据的潜在价值，为精准医疗时代的隐私计算开辟新天地。