面向持续观察场景下的可扩展差分隐私概述

线性概述是数据流分析中的基本工具。它们在支持近似频率查询和重型Hit检测方面具有显著优势，在错误和内存之间具有有限的权衡。重要的是，在包含敏感信息的流上，线性概述可以通过注入适当amount的噪声来轻松实现隐私化。这一过程在单个释放模型中高效，其中仅在流结束时发布输出。在这种设置下，只需对概述添加一次噪声。相比之下，在持续观察模型中，其中在每个时间步都发布输出，需要在每次发布之前为概述添加新鲜的噪声。这会增加额外的计算开销。为此，我们引入了Lazy Sketch，这是一种新颖的差分隐私概述方法，采用延迟更新，仅在每一步中扰动和修改概述的少量 portion。与先前工作相比，我们将更新复杂度降低了$O(w)$的因子，其中$w$为概述的宽度。实验表明，我们的方法在先前工作之上提高了最高可达250倍的吞吐量，使持续观察差分隐私针对高速流应用具有实际意义。