聚合位置数据上的零辅助知识成员推断攻击
密码学与安全
2024-06-28 v1 机器学习
摘要
位置数据经常被收集自人口并以聚合形式共享以指导政策与决策。然而，聚合数据的普及也引发了成员推断攻击 (MIA) 的隐私担忧。MIA 通过推断个体的数据是否贡献于聚合发布来推断个体。尽管已开发出针对聚合位置数据的有效 MIA，但这些方法需要访问来自相同位置的大量个人轨迹的辅助数据集，这些数据通常来自相似的人口。为衡量由现实威胁者执行的 MIA 风险，我们开发了首个零辅助知识 (ZK) MIA 作用于聚合位置数据，这消除了对真实个人轨迹辅助数据集的需求。相反，我们发展了一种新颖的方法，通过从发布的聚合数据生成合适的合成轨迹来实现。我们也发展了方法来纠正偏差与噪声，以显示即使在发布前应用隐私机制时，我们的基于合成的攻击仍然适用。使用两个大规模位置数据集，我们展示了我们的 ZK MIA 在广泛的设置下（包括流行的差分隐私 (DP) 和小计数抑制实现）与最先进的 Knock-Knock (KK) MIA 相当。 Furthermore, 我们表明即使对手仅知道其目标位置历史记录的很小一部分 (10%) 时，ZK MIA 仍然高度有效。这表明即使是由现实威胁者执行的有效 MIA 是可能的，凸显了需要强大的 DP 保护的必要性。
引用
@article{arxiv.2406.18671,
title = {A Zero Auxiliary Knowledge Membership Inference Attack on Aggregate Location Data},
author = {Vincent Guan and Florent Guépin and Ana-Maria Cretu and Yves-Alexandre de Montjoye},
journal= {arXiv preprint arXiv:2406.18671},
year = {2024}
}
备注
To be published in PETS 2024