基于历史数据学习的差分隐私空间众包框架
密码学与安全
2020-11-06 v3
摘要
空间众包（SC）是移动互联网与共享经济时代日益流行的一类众包。它要求工作者到达特定地点以完成任务。有效保护位置隐私对于工作者的积极性与有效的任务分配至关重要。然而，现有的带差分隐私的SC模型通常对分区与数据发布中的实时位置数据均进行扰动。这种方式可能对计数查询产生较大扰动，影响分配成功率与分配精度。本文提出一种利用实时与历史数据保护工作者位置隐私的框架（R-HT）。我们通过从历史事件数据学习的概率分布进行采样来模拟位置，将其用于网格分区，然后在该分区下以差分隐私发布实时数据。这实现了将大部分隐私预算分配给每个单元的工作者计数，并改进了私有空间分解方法。此外，我们引入了地理广播区域构建的一些策略，包括质量评分函数与局部最大地理广播半径。在真实数据集上的一系列实验结果表明，R-HT获得了稳定的任务分配成功率，节省了性能开销，并适用于众包平台上的动态分配。
引用
@article{arxiv.2008.03475,
title = {A Differentially Private Framework for Spatial Crowdsourcing with Historical Data Learning},
author = {Shun Zhang and Benfei Duan and Zhili Chen and Hong Zhong and Qizhi Yu},
journal= {arXiv preprint arXiv:2008.03475},
year = {2020}
}
备注
14 pages, 11 figures