聚合位置时间序列上的成员隐私度量
密码学与安全
2020-04-28 v2
摘要
尽管位置数据对各种应用极具价值，但其披露会对个人隐私造成严重威胁。为缓解此类担忧，机构通常向分析人员提供聚合时间序列，例如表明某一时间间隔内某位置有多少人，而非原始个体轨迹。本文通过测量研究来理解针对聚合位置时间序列的成员推断攻击（Membership Inference Attacks, MIAs），即攻击者试图推断特定用户是否对聚合数据作出了贡献。我们发现，贡献数据的数量以及用户移动模式的规律性与特殊性在攻击成功中起着关键作用。我们试验了基于泛化、隐藏和扰动的广泛防御手段，并评估它们在各类移动分析任务中抵御攻击的能力与所引入的效用损失。结果表明，某些防御全面失效，而另一些仅对聚合位置时间序列上的特定任务有效。例如，抑制小计数可用于热点排序，数据泛化可用于交通预测、热点发现和地图推断，而采样在数据集稀疏时对位置标注和异常检测有效。差分私有技术在非常特定的设置下才提供合理精度，例如发现热点并预测其交通，且在使用较弱隐私概念（如人群混合隐私（crowd-blending privacy））时更甚。总体而言，我们的度量表明，不存在一种通用的唯一防御能对任意应用的 analytics 效用加以保持，并为净化后聚合位置时间序列的披露提供了有益见解。
引用
@article{arxiv.1902.07456,
title = {Measuring Membership Privacy on Aggregate Location Time-Series},
author = {Apostolos Pyrgelis and Carmela Troncoso and Emiliano De Cristofaro},
journal= {arXiv preprint arXiv:1902.07456},
year = {2020}
}