时间相关性下连续数据发布中差分隐私的量化

差分隐私(Differential Privacy, DP)作为一种严格的隐私框架已受到越来越多的关注。许多现有研究采用传统DP机制（如Laplace机制）作为基元来连续发布私有数据，以保护每个时间点的隐私（即事件级隐私），这些研究假设不同时间点的数据相互独立，或假设对手不了解数据间的相关性。然而，连续生成的数据往往具有时间相关性，且此类相关性可被对手获取。本文研究传统DP机制在时间相关性下的潜在隐私损失。首先，我们分析了可用马尔可夫链建模的时间相关性下DP机制的隐私泄露。我们的分析表明，DP机制的事件级隐私损失可能随时间增加。我们将这种意外的隐私损失称为时间隐私泄露(Temporal Privacy Leakage, TPL)。尽管TPL可能随时间增加，我们发现某些情况下其 supremum 可能存在。其次，我们设计了计算TPL的高效算法。第三，我们提出了将数据发布机制转换为可抵御TPL的任意现有DP机制的方法。实验证实我们的方法高效且有效。