DPI：确保无限数据流的严格差分隐私
密码学与安全
2024-07-23 v2
摘要
流数据对于众包分析、行为研究和实时监控等应用至关重要，但由于与个人相关的大量多样化数据，面临着显著的隐私风险。特别是，近期使用差分隐私（DP）这一严格隐私概念发布数据流的努力，遇到了无界隐私泄漏的问题。这一挑战限制了它们仅适用于有限数量的时间片段（“有限数据流”）或放宽到保护事件（“事件或 -事件 DP”）而非用户的所有记录。一个持续的挑战是在用户贡献许多活动且数据分布随时间演变的情况下，管理输出对输入的敏感性。在本文中，我们提出了一种用于无限披露下差分隐私数据流（DPI）的新技术，该技术有效地限制了无限数据流中每个用户的总隐私泄漏，同时实现了准确的数据收集和分析。此外，我们还通过一种新颖的提升机制最大化了 DPI 的准确性。最后，跨各种流应用和真实数据集（例如，COVID-19、网络流量和 USDA 生产）的大量实验表明，DPI 在不同设置下为无限数据流保持了高实用性。DPI 的代码可在 https://github.com/ShuyaFeng/DPI 获取。
引用
@article{arxiv.2312.04738,
title = {DPI: Ensuring Strict Differential Privacy for Infinite Data Streaming},
author = {Shuya Feng and Meisam Mohammady and Han Wang and Xiaochen Li and Zhan Qin and Yuan Hong},
journal= {arXiv preprint arXiv:2312.04738},
year = {2024}
}
备注
To appear in IEEE S&P 2024