支持加密增量数据集的高效隐私保护离群点检测
密码学与安全
2019-11-15 v1 机器学习
摘要
离群点检测在实践中被广泛用于跟踪增量数据集(如网络流量和系统日志)中的异常。然而，这些数据集通常涉及敏感信息，将数据共享给第三方进行异常检测会引发隐私问题。本文提出了一种面向增量数据集的隐私保护离群点检测协议(PPOD)。该协议将离群点检测算法分解为若干阶段，并识别每个阶段中必要的密码学操作。它通过高效且可互换的协议实现了若干密码学模块以支持上述密码学操作，并将其组合到整体协议中以实现对加密数据集的离群点检测。为支持高效更新，它集成了滑动窗口模型以定期淘汰过期数据，从而保持恒定的更新时间。我们构建了PPOD的原型系统，并在不同参数设置下对密码学模块和整体协议进行了系统评估。结果表明，PPOD能够以适中的计算和通信开销处理加密增量数据集。
引用
@article{arxiv.1911.05927,
title = {Enabling Efficient Privacy-Assured Outlier Detection over Encrypted Incremental Datasets},
author = {Shangqi Lai and Xingliang Yuan and Amin Sakzad and Mahsa Salehi and Joseph K. Liu and Dongxi Liu},
journal= {arXiv preprint arXiv:1911.05927},
year = {2019}
}
备注
To appear in IEEE Internet of Things Journal