面向局部差分隐私下的多任务流式数据发布框架：MTSP-LDP
密码学与安全
2026-01-01 v1
摘要
流式数据分析在数据驱动应用中的普及引发了关键隐私问题，直接收集用户数据可能侵犯个人隐私。尽管现有的 w-事件局部差分隐私 (LDP) 机制在不依赖可信第三方的情况下提供正式保证，但其实际部署受到两个关键限制。首先，这些方法主要为在每个时间戳上发布简单统计数据而设计，固有不适用于复杂查询。其次，它们在每个时间戳上独立处理数据，未能捕捉时间相关性，导致整体效用下降。为此，我们提出 MTSP-LDP，一个面向 w-事件 LDP 下的 Multi-Task Streaming data Publication 的新型框架。MTSP-LDP 采用 Optimal Privacy Budget Allocation 算法通过分析每个窗口内的时序相关性来动态分配隐私预算。随后构建 data-adaptive private binary tree structure 以支持复杂查询，并通过跨时间戳分组和平滑操作进行细化，以提高估计精度。此外，引入统一的 Budget-Free Multi-Task Processing 机制，以支持各种流式查询，而无需消耗额外的隐私预算。大量实验表明，MTSP-LDP 在各种流式任务中始终实现高效用，显著优于现有方法。
引用
@article{arxiv.2512.24899,
title = {MTSP-LDP: A Framework for Multi-Task Streaming Data Publication under Local Differential Privacy},
author = {Chang Liu and Junzhou Zhao},
journal= {arXiv preprint arXiv:2512.24899},
year = {2026}
}