局部差分隐私图分析对投毒攻击的鲁棒性

局部差分隐私 (LDP) 图分析允许对分布在多个用户上的图进行隐私分析。然而，此类计算容易受到数据投毒攻击，攻击者可以通过提交畸形数据来倾斜结果。在本文中，我们正式研究了 LDP 下图度估计协议的投毒攻击影响。我们做出了两项关键技术贡献。首先，我们观察到 LDP 使协议更容易受到投毒攻击——当攻击者可以直接投毒其（带噪）响应而不是其输入数据时，投毒的影响更严重。其次，我们观察到图数据天然具有冗余性——每条边由两个用户共享。利用这种数据冗余，我们设计了 LDP 下的鲁棒度估计协议，可以显著减少数据投毒的影响，并以高精度计算度估计。我们在真实世界数据集上评估了所提出的鲁棒度估计协议在投毒攻击下的表现，以证明其在实践中的有效性。