KV-Auditor：用于关联键值估计的局部差分隐私审计框架
密码学与安全
2025-08-18 v1
摘要
为了保护基于数据收集的服务的隐私，局部差分隐私（LDP）因其对隐私损失提供严格的理论界限而被广泛采用。然而，复杂理论分析中的错误或细微的实现错误可能削弱其实际保障。为此，审计对于确认LDP协议真正保护用户数据至关重要。然而，现有的审计方法主要针对基于集中式差分隐私（DP）的机器学习和联邦学习任务，对LDP的关注有限。此外，少数针对LDP审计的研究仅关注离散数据的简单频率估计任务，未涵盖需要同时进行离散频率估计（用于键）和连续均值估计（用于值）的关联键值数据。为填补这一差距，我们提出KV-Auditor，一个用于审计LDP基于键值估计机制的框架，通过估计其经验隐私下界来实现。与传统LDP审计方法依赖二元输出预测不同，KV-Auditor通过分析无界输出分布来估计此下界，支持连续数据。具体地，我们将最新技术LDP键值机制分为交互式和非交互式两类。对于非交互式机制，我们提出针对样本充足的小域的水平KV-Auditor，以及针对样本有限的大域的垂直KV-Auditor。对于交互式机制，我们设计一种分段策略来捕捉跨迭代的增量隐私泄露。最后，我们进行大量实验以验证我们方法的有效性，为优化LDP基于键值估计器提供了见解。
引用
@article{arxiv.2508.11495,
title = {KV-Auditor: Auditing Local Differential Privacy for Correlated Key-Value Estimation},
author = {Jingnan Xu and Leixia Wang and Xiaofeng Meng},
journal= {arXiv preprint arXiv:2508.11495},
year = {2025}
}