PriPL-Tree：针对任意分布下的局部差分隐私范围查询
密码学与安全
2024-08-27 v2 数据库
摘要
在局部差分隐私（LDP）上下文中回答范围查询是在线分析处理（OLAP）中广泛研究的问题。现有 LDP 解决方案均假设每个领域分区内的数据分布均匀，这可能不符合实际场景，其中数据分布呈现差异，导致估计不准。为此，我们提出 PriPL-Tree—a 一种结合层次树结构与分段线性（PL）函数的新型数据结构，用于回答任意分布下的范围查询。PriPL-Tree 通过少数线段精确建模底层数据分布，从而在范围查询中实现更准确的结果。进一步，我们将其扩展至多维情形，引入新型数据感知自适应网格。这些网格利用通过 PriPL-Tree 获取的边际分布见解，对网格进行自适应分区，以适应底层分布的密度。我们在真实和合成数据集上的大规模实验表明，PriPL-Tree 在任意数据分布下回答范围查询方面优于最新解决方案。
引用
@article{arxiv.2407.13532,
title = {PriPL-Tree: Accurate Range Query for Arbitrary Distribution under Local Differential Privacy},
author = {Leixia Wang and Qingqing Ye and Haibo Hu and Xiaofeng Meng},
journal= {arXiv preprint arXiv:2407.13532},
year = {2024}
}
备注
To appear in VLDB 2024