使用差分隐私与Zonotope的隐私保护集合状态估计
密码学与安全
2024-09-02 v1
摘要
对于大规模信息物理系统，通常需要空间分布式传感器的协作来执行状态估计过程。将敏感测量数据披露给云端估计器会引发隐私问题。为了解决这一问题，我们提出了一种差分隐私集合状态估计协议，该协议在中心差分隐私和本地差分隐私模型下，保证估计集合包含真实状态，并在整个集合状态估计过程中对敏感测量数据提供差分隐私保护。所提出的差分隐私集合估计器采用了Zonotope，在集合运算中提供了计算优势。我们考虑了具有有界建模不确定性的非线性离散时间动态系统装置、提供具有有界测量不确定性的敏感测量的传感器，以及预测系统状态的云端估计器。隐私保护噪声扰动测量Zonotope的中心，从而隐藏这些Zonotope的精确位置，即确保包含敏感测量数据的集合的隐私保护。与现有研究相比，我们的方法通过利用数值优化的截断噪声分布，在中心差分隐私和本地差分隐私模型下实现了更小的隐私损失和效用损失。与文献中的解析方法相比，所提出的估计器在保证相同隐私水平的前提下受到更弱的噪声扰动，从而提高了估计效用。我们给出了使用截断拉普拉斯噪声的数值实验和对比实验以支持我们的方法。
引用
@article{arxiv.2408.17263,
title = {Privacy-Preserving Set-Based Estimation Using Differential Privacy and Zonotopes},
author = {Mohammed M. Dawoud and Changxin Liu and Karl H. Johansson and Amr Alanwar},
journal= {arXiv preprint arXiv:2408.17263},
year = {2024}
}
备注
This article is the journal submission of "Differentially Private Set-Based Estimation Using Zonotopes", presented at the 2023 European Control Conference (ECC), https://ieeexplore.ieee.org/document/10178269. arXiv admin note: text overlap with arXiv:2305.07407