DPOAD:基于迭代敏感度学习的差分隐私异常检测外包
密码学与安全
2022-06-28 v1 机器学习
摘要
将异常检测外包给第三方可使数据所有者克服资源限制(例如轻量级 IoT 设备中),促进协作分析(例如分布式或多方场景下),并受益于更低的成本与专业专长(例如托管安全服务提供商)。尽管有这些好处,数据所有者若无充分的隐私保护,可能不愿外包异常检测。为此,大多数现有隐私方案会面临一个新挑战,即保护隐私通常要求消除或减小数据条目间的差异,而异常检测关键依赖于该差异。近期在涉及可信分析员的本地分析设置(无外包)下,通过将差分隐私(DP)保证的焦点从“所有”条目转移到仅“良性”条目,解决了这一冲突。本文中,我们观察到这种方法不能直接应用于外包设置,因为数据所有者在外包前不知道哪些条目是“良性”的,因此无法对数据条目选择性地施加 DP。因此,我们为数据所有者提出一种新颖的迭代方案,以逐步将异常条目与良性条目“解耦”,从而使第三方分析员能在充分的 DP 保证下产生准确的异常结果。我们设计并实现了差分隐私异常检测外包(DPOAD)框架,并通过来自不同应用领域的真实数据实验,展示了其相对于基线 Laplace 与 PainFree 机制的优势。
引用
@article{arxiv.2206.13046,
title = {DPOAD: Differentially Private Outsourcing of Anomaly Detection through Iterative Sensitivity Learning},
author = {Meisam Mohammady and Han Wang and Lingyu Wang and Mengyuan Zhang and Yosr Jarraya and Suryadipta Majumdar and Makan Pourzandi and Mourad Debbabi and Yuan Hong},
journal= {arXiv preprint arXiv:2206.13046},
year = {2022}
}