二者能否同行：隐私增强方法与用户追踪防护

我们提出了在从个体收集数据时出现的一个新担忧，该担忧源于为缓解多次上报中的隐私泄露而做出的尝试：通过为提供隐私而添加的机制，对参与数据收集的用户进行追踪。受差分隐私框架启发，我们给出了不可追踪机制的若干定义。具体而言，我们将可追踪参数定义为单用户产生一组上报报告的概率与两个用户（具有相同私有值）产生同一组上报报告的概率之比的最大值的对数。我们探讨了这一新定义的含义。我们展示了如何将差分隐私与不可追踪机制相结合，以针对检测某用户何时更改其私有值的问题给出界。考察 Google 已部署的永恒隐私方案，我们表明 RAPPOR（Erlingsson 等人，ACM CCS，2014）在其论文所给参数下在我们的框架中是可追踪的。我们分析了用于收集单比特统计的随机响应变体 Bitwise Everlasting Privacy，其在获得良好精度与永恒隐私的同时仅具有合理的不可追踪性，具体而言随上报次数线性增长。对于收集更大域（用于直方图与高频项）的数据统计，我们提出了一种在有限次响应内防止追踪的机制。我们还在差分隐私范畴内提出了机制链（Mechanism Chaining）的概念，即将一个机制的输出作为另一个机制的输入，并表明 $\varepsilon_1$-LDP 机制与 $\varepsilon_2$-LDP 机制的链合为 $\ln\frac{e^{\varepsilon_1+\varepsilon_2}+1}{e^{\varepsilon_1}+e^{\varepsilon_2}}$-LDP，且该界是紧的。