@article { author = {Akbari Azimian, Mohammad and Daneshpour, Negin and Safkhani, Masoumeh}, title = {Privacy preserving Naïve Bayes classification using Bit-string encryption}, journal = {Journal of Soft Computing and Information Technology}, volume = {11}, number = {1}, pages = {73-88}, year = {2022}, publisher = {Babol Noshirvani University of Technology}, issn = {2383-1006}, eissn = {2588-4913}, doi = {}, abstract = {The construction of classification models is widely used in data mining. There are concerns about the privacy of data owners because of the need to collect data to build models. In this paper, a Naïve Bayes classification model construction plan is presented, which performs the model construction operation with the participation of data owners and without the need to collect the original data. Instead of collecting data, the scheme uses encryption of bit strings from counting without disclosing the original data to perform the process of creating the Naïve Bayes model. This design allows the model to be built with appropriate performance without the need for trust in a third party with a minimum number of encryptions, so that in terms of time complexity, up to 87% improvement in time cost can be observed. In addition, memory consumption has not increased significantly when compared to designs that use encryption operations.}, keywords = {Data mining,Classification,Naï,ve Bayes,Security,Privacy Preserving,Privacy}, title_fa = {حفظ حریم خصوصی در کلاس‌بندی Naïve Bayes با استفاده از رمزنگاری رشته بیت‌ها}, abstract_fa = {ساخت مدل‌های کلاس‌بندی به طور گسترده‌ای در داده‌کاوی مورد استفاده قرار می‌گیرد. از آنجا که برای ساخت مدل‌ها نیاز به جمع‌آوری داده است، نگرانی‌هائی در زمینه‌ی حریم خصوصی مالکین داده‌ها وجود دارد. در این مقاله یک طرح ساخت مدل کلاس‌بندی Naïve Bayes ارائه شده است که با مشارکت مالکین داده‌ها و بدون نیاز به جمع‌آوری اصل داده‌ها، عملیات ساخت مدل را انجام می‌دهد. این طرح به جای جمع‌آوری داده‌ها، با استفاده از رمزنگاری رشته بیت‌های حاصل از شمارش‌ و بدون افشای داده‌ها، فرآیند ساخت مدل Naïve Bayes را انجام می‌دهد. این طرح بدون نیاز به اعتماد به شخص سوم[i]  با حداقل تعداد اجرای عملیات رمزنگاری، امکان ساخت مدل را با کارایی مناسب فراهم می‌کند به­طوری­که از نظر پیچیدگی زمانی تا ۸۷٪ بهبود در هزینه‌ی زمانی مشاهده می‌شود و حافظه‌ی مصرفی نیز افزایش چندانی نسبت به طرح‌های دارای عملیات رمزنگاری نداشته است.}, keywords_fa = {داده‌کاوی,کلاس‌بندی,Naï,ve Bayes,امنیت,حریم خصوصی,محرمانگی}, url = {https://jscit.nit.ac.ir/article_150390.html}, eprint = {https://jscit.nit.ac.ir/article_150390_64798a61736cdc759ac684541baa8ae6.pdf} }