面向局部差分隐私的流数据出版中的双重扰动利用
密码学与安全
2025-04-22 v1 数据库
摘要
来自物联网、远程健康和众包等实时分布式系统的流数据日益成为重要数据源。然而，收集和分析用户生成的流数据会因潜在暴露敏感信息而引发隐私 concerns。为此，局部差分隐私（Local Differential Privacy, LDP）已成为有前景的标准。然而，将 LDP 应用于流数据 presents significant 挑战，因为流数据通常涉及大量甚至无限多个值。将给定隐私预算分配给这些数据点会导致对原始流数据引入巨大的 LDP 噪声。超越现有仅将扰动值用于估计的现有方法，我们的设计将其用于扰动和估计。这一双重利用源于一个关键观察：每个用户既知道其自身的 ground truth 又知道其扰动值，从而能够精确计算因扰动导致的偏差误差。通过将该偏差纳入后续值扰动过程，我们能够校准先前的噪声。基于这一洞见，我们提出迭代扰动参数化（Iterative Perturbation Parameterization, IPP）方法，利用当前扰动结果来校准后续扰动过程。为增强校准的鲁棒性并降低灵敏度，我们进一步开发了两项算法，即累积扰动参数化（Accumulated Perturbation Parameterization, APP）和被裁剪累积扰动参数化（Clipped Accumulated Perturbation Parameterization, CAPP）。我们证明，这三种算法满足 w-事件差分隐私（w-event differential privacy），并显著提升实用性。实验结果表明，我们的方法在保持相同隐私保证的前提下，在实用性方面优于最先进的 LDP 流数据发布解决方案。
引用
@article{arxiv.2504.14993,
title = {Dual Utilization of Perturbation for Stream Data Publication under Local Differential Privacy},
author = {Rong Du and Qingqing Ye and Yaxin Xiao and Liantong Yu and Yue Fu and Haibo Hu},
journal= {arXiv preprint arXiv:2504.14993},
year = {2025}
}