针对轨迹数据本地差分隐私协议的投毒攻击
密码学与安全
2025-03-11 v1 机器学习
摘要
轨迹数据记录了地理位置上的移动信息，对于改进现实世界应用至关重要。然而，收集此类敏感数据引发了相当大的隐私担忧。本地差分隐私（Local Differential Privacy, LDP）提供了一种解决方案，允许个人在共享之前对其轨迹数据进行本地扰动。尽管具有隐私保护优势，LDP协议仍易受数据投毒攻击，攻击者通过注入伪造数据来操纵聚合结果。在本工作中，我们首次尝试分析几种代表性LDP轨迹协议中的漏洞。我们提出了TraP，一种数据投毒攻击的启发式算法，利用前缀-后缀方法优化伪造轨迹选择，显著降低了计算复杂度。实验结果表明，我们的攻击能够仅凭少量伪造用户，在扰动后的轨迹数据集中大幅增加目标模式的出现频率。本研究强调了亟需稳健的防御机制和更优的协议设计，以保护LDP轨迹数据免受恶意操纵。
引用
@article{arxiv.2503.07483,
title = {Poisoning Attacks to Local Differential Privacy Protocols for Trajectory Data},
author = {I-Jung Hsu and Chih-Hsun Lin and Chia-Mu Yu and Sy-Yen Kuo and Chun-Ying Huang},
journal= {arXiv preprint arXiv:2503.07483},
year = {2025}
}