(k,ε)-匿名性：结合ε-差分隐私的k-匿名性
密码学与安全
2017-10-05 v1 数据库
概率论
摘要
数据量和多样性的爆炸式增长为研究和商业应用提供了巨大潜力。个人数据可用性的提高，对于实现根据个人需求定制的高度个性化服务尤为引人关注。在这个快速发展的生态系统中，保护个人隐私免受重识别攻击，对一刀切的匿名化方法构成了重大挑战。在本文中，我们提出了(k,ε)-匿名化，这是一种将k-匿名化和ε-差分隐私模型结合到单一连贯框架中的方法，提供了至少与单个模型所提供的隐私保障一样强的保障。实验结果显示，即使在k和ε取值不大的情况下，链接风险也低于5%。我们的方法被证明解决了k-匿名性和ε-差分隐私众所周知的局限性，并在使用公开可用数据集进行的大量实验活动中得到了验证。
引用
@article{arxiv.1710.01615,
title = {($k$,$\epsilon$)-Anonymity: $k$-Anonymity with $\epsilon$-Differential Privacy},
author = {Naoise Holohan and Spiros Antonatos and Stefano Braghin and Pól Mac Aonghusa},
journal= {arXiv preprint arXiv:1710.01615},
year = {2017}
}