非侵入式负荷监测中的隐私保护：差分隐私视角
密码学与安全
2020-11-13 v1 机器学习
系统与控制
系统与控制
摘要
智能电表设备能够更好地理解用电需求，但存在私人信息泄露的潜在风险。缓解此类风险的一种有前景的方案是向电表数据中注入噪声，以实现一定程度的差分隐私。在本文中，我们将一次性非侵入式负荷监测（NILM）置于压缩感知框架下，并弥合 NILM 推断的理论精度与差分隐私参数之间的差距。我们随后推导出有效的理论边界，以揭示差分隐私参数如何影响 NILM 性能。此外，我们通过提出分层框架来解决多步 NILM 问题，从而推广了我们的结论。数值实验验证了我们的分析结果，并在各种实际场景中提供了对差分隐私更好的物理洞察。这也证明了我们的工作对于通用隐私保护机制设计的重要意义。
引用
@article{arxiv.2011.06205,
title = {Privacy Preserving in Non-Intrusive Load Monitoring: A Differential Privacy Perspective},
author = {Haoxiang Wang and Jiasheng Zhang and Chenbei Lu and Chenye Wu},
journal= {arXiv preprint arXiv:2011.06205},
year = {2020}
}