论差分隐私与定量信息流之间的关系
计算机科学中的逻辑
2012-01-04 v1 密码学与安全
摘要
差分隐私是统计数据库领域中出现的一个概念，旨在解决执行统计查询时保护数据库参与者隐私的问题。其核心思想是，如果对于数据库 获得某个特定答案的可能性，与在相邻数据库（即仅与 在一个个体上存在差异的数据库）上获得相同答案的可能性相差不大，则该随机化查询满足差分隐私。信息流是安全学的一个分支，关注控制程序与协议中机密信息泄露的问题。如今，量化与推理信息泄露的最成熟方法之一是基于信息论中的 Rényi min 熵版本。本文基于 Rényi min 信息论提供的概念框架，对差分隐私的概念进行了批判性分析。我们表明，由于邻接关系诱导的图对称性，差分隐私与信息泄露之间存在密切关系。此外，我们考虑了随机化答案的效用，它衡量了答案的预期准确度。我们关注一类称为“二元”的效用函数，它们与 Rényi min 互信息有着密切的对应关系。同样地，根据邻接关系和查询诱导的对称性，差分隐私与效用之间可能存在紧密的对应关系。基于这些对称性，我们还可以在保持所需差分隐私水平的同时，构建一个效用最优的随机化机制。我们的主要贡献是研究邻接关系和查询所能诱导的结构类型，以及如何利用它们来推导泄露的界限并实现最优效用。
引用
@article{arxiv.1109.6761,
title = {On the relation between Differential Privacy and Quantitative Information Flow},
author = {Mário S. Alvim and Miguel E. Andrés and Konstantinos Chatzikokolakis and Catuscia Palamidessi},
journal= {arXiv preprint arXiv:1109.6761},
year = {2012}
}