针对排序估计的局部差分隐私投毒攻击

局部差分隐私(LDP)涉及用户扰动其输入以提供数据上合法的否认权。然而，这也使LDP易受到投毒攻击。本文首先引入了针对排序估计的新型投毒攻击。这些攻击比较复杂，因为伪造攻击者不仅仅调整目标项目的频率。相反，他们利用有限数量的伪用户来精确修改频率，有效地改变项目排序以最大化收益。为应对这一挑战，我们引入攻击成本和最优攻击项目(集合)的概念，并为kRR、OUE和OLH协议提出相应的策略。对于kRR，我们迭代选择最优攻击项目并分配合适的伪用户。对于OUE，我们迭代确定最优攻击项目集合并考虑不同集合之间项目频率的增量变化。关于OLH，我们基于哈希的原像 developing 一个调和成本函数，以选择支持更多有效攻击项目的项目。最后，我们提出一种基于置信水平的攻击策略，以更准确地量化成功攻击的概率和攻击迭代次数。我们通过理论和实证证据展示了这些攻击的有效性，突出了需要针对这些攻击采取防御措施的必要性。源代码和数据已在https://github.com/LDP-user/LDP-Ranking.git上公开。