时间相关性下的差分隐私量化

差分隐私 (DP) 作为一种严格的隐私框架已受到越来越多的关注。现有研究采用传统 DP 机制（例如拉普拉斯机制）作为原语，这些机制假设数据相互独立，或者假设对手不了解数据相关性。然而，现实世界中持续生成的数据往往具有时间相关性，并且此类相关性可能被对手获取。在本文中，我们研究了在连续数据发布背景下，传统 DP 机制在时间相关性下的潜在隐私损失。首先，我们使用马尔可夫模型对时间相关性进行建模，并分析了当对手掌握此类时间相关性时 DP 机制的隐私泄露。我们的分析表明，DP 机制的隐私泄露可能随时间累积并增加。我们称之为时间隐私泄露。其次，为了度量此种隐私泄露，我们设计了一种能在多项式时间内高效计算该泄露的算法。尽管时间隐私泄露可能随时间增加，我们也展示了在某些情况下其可能存在上确界。第三，为了限制隐私损失，我们提出了将任何现有 DP 机制转换为抵御时间隐私泄露的机制的方法。基于合成数据的实验证实了我们的方法高效且有效。