面向隐私保护数据合成的合理否认性
密码学与安全
2022-12-14 v1
摘要
在隐私保护领域，发布完整数据（尤其是高维数据集）是最具挑战性的问题之一。常规加密技术无法应对攻击者采取差分攻击获取敏感信息，而现有差分隐私保护算法模型在高维计算上耗时较长，且需添加噪声以降低数据精度，不适用于高维大数据集。有鉴于此，本文围绕“合理否认”概念设计了一套完整数据合成方案以保护数据隐私。首先，本文为“合理数据”与“合理数据”之间的差异提供了理论支撑。在方案设计过程中，本文将方案设计分解为构造数据合成模块与隐私测试模块，随后分别设计算法模型并实现隐私保护功能。在评估方案可行性时，本文选取2013年美国社区普查结果作为高维数据集，使用基于Python的仿真程序进行测试，并分析该数据合成方案的效率与可靠性。该部分重点评估方案的隐私保护有效性。
引用
@article{arxiv.2212.06604,
title = {Plausible deniability for privacy-preserving data synthesis},
author = {Song Mei and Zhiqiang Ye},
journal= {arXiv preprint arXiv:2212.06604},
year = {2022}
}