基于差分隐私的联邦重度命中项发现
密码学与安全
2020-03-03 v4
摘要
在用户生成的数据流中发现重度命中项（最频繁项）推动了应用与网络生态的改进，但若处理不当会带来显著的隐私风险。为应对这些风险，我们提出了一种分布式且保护隐私的算法，用于在用户生成数据流群体中发现重度命中项。我们利用分布式算法的采样与阈值特性证明，该算法天生具有差分隐私性，无需额外加噪。我们还考察了隐私与效用之间的权衡，并表明我们的算法在提供强隐私保证的同时具备优异的效用。该方法的一大显著优势是消除了集中原始数据的需要，同时避免了本地差分隐私所带来的显著效用损失。我们使用最坏情况分析从理论上、并使用包含 160 万条推文与超过 65 万用户的 Twitter 数据集从实践上验证了我们的发现。最后，我们仔细地将我们的方法与苹果用于发现重度命中项的本地差分隐私方法进行比较。
引用
@article{arxiv.1902.08534,
title = {Federated Heavy Hitters Discovery with Differential Privacy},
author = {Wennan Zhu and Peter Kairouz and Brendan McMahan and Haicheng Sun and Wei Li},
journal= {arXiv preprint arXiv:1902.08534},
year = {2020}
}