针对本地差分隐私的池推断攻击：量化Apple Count Mean Sketch在实践中的隐私保证

用户设备生成的行为数据，从表情符号使用到访问页面，被大规模收集以改进应用与服务。然而，这些数据包含细粒度记录，并可揭示个体用户的敏感信息。本地差分隐私已被企业用作在保护隐私的同时从用户收集数据的方案。我们在此首先引入池推断攻击，其中 adversary 可访问某用户的混淆数据，定义对象池，并利用该用户在多次数据收集中的极化行为推断其偏好池。其次，我们使用贝叶斯模型针对Count Mean Sketch（一种由Apple提出并部署于iOS与Mac OS设备的本地差分隐私机制）实例化该攻击。利用Apple针对隐私损失 $\varepsilon$ 的参数，我们考虑两种具体攻击：一种在表情符号场景下——adversary 旨在推断用户对表情符号的偏好肤色；另一种针对访问网站——adversary 希望从其访问的新闻网站了解用户的政治取向。在这两种情况下，当 adversary 收集足够数据时，我们显示攻击远比随机猜测有效。我们发现具有高极化与相关兴趣的用户显著更脆弱，并表明我们的攻击校准良好，使 adversary 能够 targeting 此类脆弱用户。我们最终利用来自Twitter的用户数据验证了表情符号场景下的结果。综上，我们的结果表明，对于受大 $\varepsilon$ 本地差分隐私机制保护的数据，池推断攻击是一个隐患，强调了额外技术保障的必要性，以及就需要更多关于如何应用本地差分隐私于多次收集的研究。