依赖用户时间序列匹配的渐近隐私损失
密码学与安全
2020-07-14 v1
摘要
物联网（IoT）有望通过使应用程序适应用户行为来提升用户效用，但揭示用户行为特征会带来显著的隐私风险。我们此前的工作在贝叶斯设定下确立了匿名化保护用户隐私的严苛要求，其中我们假设一个拥有每个用户行为先验分布完美知识的强大对手。然而，即便老练的对手也往往不具备此种完美知识；因此，本文我们将注意力转向必须从长度有限的过去数据轨迹中学习用户行为的对手。我们还假设不同用户的数据轨迹之间存在依赖性，且每个用户的数据点均从正态分布中抽取。文中给出了导致用户隐私泄露的训练序列与数据序列长度的相关结果。
引用
@article{arxiv.2007.06119,
title = {Asymptotic Privacy Loss due to Time Series Matching of Dependent Users},
author = {Nazanin Takbiri and Minting Chen and Dennis L. Goeckel and Amir Houmansadr and Hossein Pishro-Nik},
journal= {arXiv preprint arXiv:2007.06119},
year = {2020}
}