局部差分隐私下演化数据的频率估计
密码学与安全
2023-02-22 v2
摘要
收集和分析演化纵向数据已成为一种常见做法。在此背景下保护用户隐私的一种可能方法是使用局部差分隐私（LDP）协议，该协议即使发生数据泄露或滥用也能确保所有用户的隐私保护。现有的 LDP 数据收集协议（如 Google 的 RAPPOR 和 Microsoft 的 dBitFlipPM）的纵向隐私可能与域大小 k 呈线性关系，这对于大型域（如互联网域）而言过大。为解决此问题，本文提出了一种用于纵向频率监控的新的 LDP 数据收集协议，名为 LOngitudinal LOcal HAshing（LOLOHA），具有形式化的隐私保证。此外，我们协议的隐私-效用权衡仅相对于缩减后的域大小 呈线性。LOLOHA 结合了通过局部哈希的域缩减方法与双重随机化，以最小化数据更新引起的隐私泄露。正如我们的理论分析以及实验评估所表明的，LOLOHA 达到了与当前最先进（state-of-the-art）协议相竞争的效用，同时将纵向隐私预算消耗大幅降低了多达 k/g 个数量级。
引用
@article{arxiv.2210.00262,
title = {Frequency Estimation of Evolving Data Under Local Differential Privacy},
author = {Héber H. Arcolezi and Carlos Pinzón and Catuscia Palamidessi and Sébastien Gambs},
journal= {arXiv preprint arXiv:2210.00262},
year = {2023}
}
备注
Accepted at EDBT 2023. Updated structure and correcting privacy loss of dBitFlipPM