Huff-DP：基于霍夫曼编码的实时数据差分隐私机制

随着连接设备的进步，正在产生海量实时数据。高效存储、传输和分析此类实时大数据十分重要，因为它服务于从决策到故障预测等诸多目的。与此同时，实时大数据具有严格的效用与隐私需求，因此审慎选择处理策略同样至关重要。霍夫曼编码作为一种无损压缩形式，是将数据压缩为变长二进制流以存储和传输数据的最优方式之一。类似地，为保护此类大数据的隐私，现今采用差分隐私，其基于隐私预算和敏感度扰动数据。尽管如此，传统差分隐私机制提供隐私保证。但另一方面，实时数据不能当作普通记录集处理，因为其通常具有特定的底层模式与周期，可用于关联到特定个体的私有信息，从而导致严重隐私泄露（例如，分析智能电表数据可归类个体日常作息）。因此，同样重要的是开发一种基于数据中出现的频次与模式来保留隐私的隐私保护模型。本文中，我们设计了一种新颖的 Huff-DP 机制，其基于该特定记录的隐私需求选择最优隐私预算。为进一步增强预算确定，我们提出了基于静态、正弦和模糊逻辑的决策算法。由实验评估可得出结论，我们提出的 Huff-DP 机制在有效保护隐私的同时降低了隐私预算计算成本。