Nebula：高效、私密且准确的直方图估计

我们提出了 \textit{Nebula}，一个用于分布在多个客户端之间的差分隐私直方图估计系统。\textit{Nebula} 允许客户端独立决定是否参与系统，并在本地对其数据进行编码，以便仅在数据出现超过预定义聚合阈值的多个值时， untrusted 服务器才会获知这些数据值，同时提供 $(\varepsilon,\delta)$ 差分隐私保证。与现有系统相比，\textit{Nebula} 独特地实现了：\textit{i)} 对客户端隐私泄露的严格上限；\textit{ii)} 显著高于标准本地差分隐私系统的实用性；\textit{iii)} 不需要受信任的第三方、多方计算或受信任硬件。我们对 \textit{Nebula} 的隐私、实用性和效率保证进行了形式化评估，并对三个真实世界数据集进行了实证评估。在美国人口普查数据集上，客户端仅需 0.0036 秒和 0.0016 MB (\textbf{高效}) 即可提交其数据，在强大的 $(\varepsilon=1,\delta=10^{-8})$ 差分隐私保证下 (\textbf{私密}) ，使 \textit{Nebula} 的不可信聚合服务器能够比现有本地差分隐私部署实现超过 88\% 的实用性提升 (\textbf{准确}) 。此外，我们描述了一个允许客户端提交多维数据的变体，隐私性、实用性和性能类似。最后，我们提供了 \textit{Nebula} 的实现。