针对数据流本地差分隐私协议的细粒度操纵攻击
密码学与安全
2025-05-05 v1
摘要
本地差分隐私（LDP）能够在保护终端用户隐私免受不可信聚合者侵害的同时，实现大规模数据收集与分析。它已被应用于各种数据类型（例如，分类数据、数值数据和图数据）和应用场景（例如，静态和流式）。最近的研究发现表明，LDP 协议很容易被投毒或操纵攻击破坏，这些攻击利用注入/腐化的虚假用户发送符合 LDP 报告的精心构造的数据。然而，当前的攻击主要针对静态协议，忽视了流式场景下 LDP 协议的安全性。我们的研究通过开发针对数据流 LDP 协议的新型细粒度操纵攻击来填补这一空白。通过审查现有算法中的攻击面，我们引入了一个具有可组合模块的统一攻击框架，该框架可以将 LDP 估计的流操纵至目标流。我们的攻击框架能够适应最先进的流式 LDP 算法，涵盖不同的分析任务（例如，频率和均值）和 LDP 模型（事件级、用户级、w-事件级）。我们从理论上并通过在真实世界数据集上的大量实验验证了我们的攻击，并最终探索了一种可能的防御机制来缓解这些攻击。
引用
@article{arxiv.2505.01292,
title = {Fine-grained Manipulation Attacks to Local Differential Privacy Protocols for Data Streams},
author = {Xinyu Li and Xuebin Ren and Shusen Yang and Liang Shi and Chia-Mu Yu},
journal= {arXiv preprint arXiv:2505.01292},
year = {2025}
}