PMP：面向时间序列敏感模式推断防护的隐私感知矩阵轮廓
机器学习
2023-01-06 v1 密码学与安全
摘要
近期传感器技术的快速发展使得海量细粒度时间序列(TS)数据得以采集，并为数据驱动服务与应用的发展奠定了基础。在此过程中，通常涉及数据共享，以允许第三方建模者根据数据所有者的需求执行特定的时间序列数据挖掘(TSDM)任务。TS的高分辨率给隐私保护带来了新挑战。虽然高分辨率TS中有意义的信息从具体点值转移到基于局部形状的分段，但大量研究发现，长基于形状的模式可能包含更敏感的信息，并可能被恶意第三方提取和滥用。然而，TS模式的隐私问题在隐私保护文献中出奇地鲜有探讨。本工作中，我们考虑一个新的隐私保护问题：在保留短分段信息以维持效用任务性能的同时，防止对长基于形状模式的恶意推断。为缓解该挑战，我们研究了一种替代方法，即共享矩阵轮廓(Matrix Profile, MP)——它是原始数据的非线性变换，也是一种支持许多数据挖掘任务的通用数据结构。我们发现，尽管MP可防止具体形状泄露，但MP索引中的典型相关仍可能揭示敏感长模式的位置。基于该观察，我们设计了两种攻击，称为位置攻击(Location Attack)和熵攻击(Entropy Attack)，以从MP中提取模式位置。为进一步保护MP免受这两种攻击，我们提出了一种隐私感知矩阵轮廓(Privacy-Aware Matrix Profile, PMP)，通过扰动局部相关并打破MP索引向量中的典型相关来实现。我们通过定量分析和真实案例研究，将所提PMP与基线加噪方法进行比较，以展示该方法的有效性。
引用
@article{arxiv.2301.01838,
title = {PMP: Privacy-Aware Matrix Profile against Sensitive Pattern Inference for Time Series},
author = {Li Zhang and Jiahao Ding and Yifeng Gao and Jessica Lin},
journal= {arXiv preprint arXiv:2301.01838},
year = {2023}
}
备注
This is a preprint. The paper has been accepted by SIAM SDM2023