基于区块链的智能计量中差分隐私机制的性能评估

差分隐私（differential privacy）这一概念作为一种在不可信环境中保护数据库隐私的强有力概念而出现。此后，研究人员提出了若干差分隐私的变体，以便在某些其他场景（如实时信息物理系统）中保护隐私。自那时起，差分隐私已被严格应用于其他一些有隐私保护需求的领域。其中一个领域是基于去中心化区块链的智能计量，其中作为区块链节点的智能电表将其实时数据发送至电网公用事业数据库以进行实时上报。这些数据进一步被用于执行统计任务，如负荷预测、需求响应计算等。然而，若有入侵者访问该数据，则可能泄露智能电表用户的隐私。在此背景下，差分隐私可用于保护该数据的隐私。在本章中，我们对区块链智能计量场景下的四种差分隐私变体（拉普拉斯、高斯、均匀和几何）进行比较。我们在智能计量数据上测试这些变体，并通过改变不同参数来对其性能进行评估。实验结果表明，在低隐私预算（$\varepsilon$）和低读数敏感度值（$\delta$）下，这些隐私保护机制通过添加大量噪声来提供高隐私性。然而，在这四种隐私保护参数中，几何机制更适合保护高峰值，而拉普拉斯机制更适合在（$\varepsilon$ = 0.01）下保护低峰值。