PRIVIC：一种用于位置数据增量收集的隐私保护方法
密码学与安全
2023-10-25 v4 信息论
math.IT
概率论
摘要
随着近期技术的进步，个人隐私敏感数据被侵犯的威胁正在激增。尤其是位置数据，已被证明携带大量敏感信息。缓解位置数据隐私风险的标准方法是对真值添加噪声以实现地理不可区分性（geo-ind）。然而，仅有 geo-ind 不足以涵盖所有隐私担忧。特别是，最先进的用于 geo-ind 的 Laplace 机制（LAP）对孤立位置的保护并不充分。在本文中，我们关注一种基于率失真理论中的 Blahut-Arimoto 算法（BA）的机制。我们证明 BA 除了提供 geo-ind 外，还强制使用一种弹性度量，缓解了孤立问题。此外，BA 在信息泄露与服务质量之间提供了最优权衡。我们接着从可由上报数据导出的统计量角度研究 BA 的效用，聚焦于原始分布的推断。为此，我们应用迭代贝叶斯更新（IBU）——期望最大化方法的一个实例——对上报数据进行去噪。结果表明 BA 与 IBU 彼此对偶，因此二者配合良好，即 BA 的统计效用相当好，且在高等隐私级别下优于 LAP。利用 BA 与 IBU 的这些性质，我们提出一种迭代方法 PRIVIC，用于服务提供商以隐私友好方式从用户增量收集位置数据。我们借助解析与实验说明了方法的合理性与功能性。
引用
@article{arxiv.2206.10525,
title = {PRIVIC: A privacy-preserving method for incremental collection of location data},
author = {Sayan Biswas and Catuscia Palamidessi},
journal= {arXiv preprint arXiv:2206.10525},
year = {2023}
}