PrivShape：用户级本地差分隐私下的时间序列形状提取
密码学与安全
2024-04-08 v1
摘要
时间序列在金融、医疗、物联网和智慧城市中有众多应用。在这些应用中，时间序列通常包含个人数据，因此如果直接向公众发布，可能会发生隐私侵犯。最近，本地差分隐私（LDP）已成为保护数据隐私的最先进方法。然而，现有基于LDP的收集工作无法保留时间序列的形状。最近的工作PatternLDP试图解决这个问题，但由于ω-事件级隐私保证，它只能保护时间序列中的有限元素组。在本文中，我们提出了PrivShape，一种基于字典树的用户级LDP机制，以保护所有元素。PrivShape首先对时间序列进行变换以缩短其长度，然后采用字典树扩展和两级细化来提高效用。通过在真实数据集上的广泛实验，我们证明PrivShape在适应离线使用时优于PatternLDP，并且能够有效提取频繁形状。
引用
@article{arxiv.2404.03873,
title = {PrivShape: Extracting Shapes in Time Series under User-Level Local Differential Privacy},
author = {Yulian Mao and Qingqing Ye and Haibo Hu and Qi Wang and Kai Huang},
journal= {arXiv preprint arXiv:2404.03873},
year = {2024}
}