数据匿名化中从 t-贴近性到差分隐私及反之
密码学与安全
2015-12-22 v2
摘要
k-匿名与 -差分隐私是两种主流的隐私模型，前者用于数据集匿名化，后者用于限制因将某个个体纳入数据集而产生的知识增益。基本 k-匿名仅防止身份披露，而 t-贴近性被提出作为 k-匿名的扩展，同时也防止属性披露。我们在本文中指出，尽管并非完全等价，但在数据集匿名化方面，t-贴近性与 -差分隐私彼此密切相关。具体而言，对准标识符采用 k-匿名并结合对机密属性采用 -差分隐私，可得到随机 t-贴近性（t-贴近性的一种扩展），其中 t 是 k 和 的函数。反之，当 且 t-贴近性关于数据的先验与后验视图所做的假设成立时，t-贴近性可给出 -差分隐私。
引用
@article{arxiv.1512.05110,
title = {From t-closeness to differential privacy and vice versa in data anonymization},
author = {J. Domingo-Ferrer and J. Soria-Comas},
journal= {arXiv preprint arXiv:1512.05110},
year = {2015}
}