通过定量信息流视角分析洗牌模型

本地差分隐私（LDP）是差分隐私（DP）的一种变体，它避免了对可信中心收集者的需要，代价是隐私与效用之间的权衡更差。洗牌模型是一种通过随机置换用户消息来为用户提供更大匿名性的方式，从而使得数据收集者无法得知用户与其报告值之间的关联。通过将 LDP 机制与洗牌器结合，可以在不损失对置换不敏感的操作准确性的情况下改善隐私，从而在许多任务中提高效用。然而，洗牌的隐私影响并非总是显而易见，且隐私界的推导是逐案进行的。在本文中，我们在定量信息流（QIF）的严格框架下分析 LDP 与洗牌的结合，并推理由此产生的对推断攻击的抵御能力。QIF 自然地将随机化机制视为信息论信道，从而能够以自然的方式精确建模各种推断攻击，并度量在这些攻击下私有信息的泄露量。我们利用 k-RR 机制与洗牌模型特定组合的对称性，得到了精确表达泄露量的闭式公式。特别地，我们提供的公式展示了洗牌如何改善本地模型中的泄露防护，并研究了对于 LDP 机制隐私参数的不同取值泄露量的行为。与差分隐私中的强敌手不同，我们关注无信息的敌手，其不知道数据集中任何个体的取值。该敌手作为统计数据集的使用者通常更为现实，并且我们表明在某些情况下，相对于强敌手等价的机制在无信息敌手下可提供不同的隐私保证。