动态机器人网络中差分隐私的宏观模型

在线和移动信息平台的日益普及正在促进大规模网络中点对点协作策略的发展。网络化机器人系统正在利用这些技术来提供自动运输、资源再分配（协作消费）和位置服务的应用。然而，对系统动态的外部观测可能会暴露组成这些网络的参与者（机器人、资源和人类）的敏感信息。特别地，我们关注攻击者获得系统动态状态快照的设置。我们提出了一种方法，基于该观测量化攻击者在网络中识别任何智能体（可以是机器人、资源或人类）特定类型的容易程度。我们借鉴差分隐私理论，提出了当快照在稳态时系统泄露的闭式表达式，以及当快照在任意给定时间拍摄时计算泄露的数值方法。我们方法的新颖之处在于我们的隐私模型建立在系统状态的宏观描述之上，这使我们能够考虑相互依赖的受保护实体（网络参与者）。我们的结果显示了泄露如何随网络的组成和动态行为变化；它们还指出了提高隐私水平的设计规则。