有界内存数据流下的局部差分隐私重击者检测
密码学与安全
2023-11-28 v1
摘要
Top- 频繁项检测是数据流挖掘中的一项基本任务。已有许多有前景的方案在保持高检测精度的同时提升内存效率。尽管存在内存效率问题，若用户在没有适当保护的情况下参与该任务，仍可能遭受隐私泄露，因为其贡献的本地数据流可能持续泄露敏感个人信息。然而，现有工作大多仅关注内存效率问题或隐私问题之一，很少同时兼顾，因而无法在内存效率、隐私保护和检测精度之间取得令人满意的权衡。本文提出一种新颖框架 HG-LDP，以有界内存代价实现准确的 Top- 项检测，同时提供严格的局部差分隐私（LDP）保护。具体而言，我们识别出该任务中自然产生的两个关键挑战，表明直接套用现有 LDP 技术会导致较差的“精度-隐私-内存效率”权衡。为此，我们在该框架下通过设计新颖的 LDP 随机化方法实例化了三种先进方案，分别应对由项目域规模庞大和内存空间有限所带来的障碍。我们在合成与真实世界数据集上进行了全面实验，表明所提先进方案实现了更优的“精度-隐私-内存效率”权衡，在项目域规模为 时较基线方法节省 内存。我们的代码已通过链接开源。
引用
@article{arxiv.2311.16062,
title = {Local Differentially Private Heavy Hitter Detection in Data Streams with Bounded Memory},
author = {Xiaochen Li and Weiran Liu and Jian Lou and Yuan Hong and Lei Zhang and Zhan Qin and Kui Ren},
journal= {arXiv preprint arXiv:2311.16062},
year = {2023}
}