用于增强物联网系统隐私的网络流量整形

受物联网网络流量的数据包大小与时间信息中针对用户活动的推理攻击所引发的隐私问题启发，我们在无限数据包流上建立了一个严格的事件级差分隐私模型。我们提出了一种满足先到先服务排队准则的无记忆流量整形机制，该机制利用差分隐私机制输出依赖于输入的流量。我们证明，在特殊情况下，所提出的机制可恢复那些独立于输入标准化输出的现有整形器。为了在给定的隐私和传输效率水平下寻找最优整形器，我们将每包预期延迟的最小化问题表述为约束问题，并建议使用随时间变化的预期队列大小作为代理。我们进一步证明该约束最小化问题是一个凸规划。我们在合成数据和实际物联网设备的真实数据包追踪上展示了整形器的效果。实验结果揭示了固有的隐私与开销的权衡：更大的整形开销提供更好的隐私保护。在相同的隐私级别下，虚拟流量与延迟之间自然存在权衡。在处理更重或突发性更弱的输入流量时，所有整形器的开销效率均有所提高。我们还表明，来自更多物联网设备的流量增加使得保证事件级隐私变得更容易。差分隐私整形器提供了不随输入流量分布变化而改变的可调隐私，并且在处理突发性方面优于独立于流量的整形器。该方法能很好地适应异构网络条件，并使用户能够适应其隐私/开销需求。