面向本地隐私模型中重识别风险的评估

LDP（本地差分隐私，Local Differential Privacy）近来作为一种数据隐私度量指标受到广泛关注，它能在本地模型中防止从混淆数据中推断出个人数据。然而，在某些场景下，攻击者希望执行重识别攻击，将该模型中的混淆数据关联到用户。LDP 可能导致过度混淆并破坏这些场景中的效用，因为它并非设计用于直接防止重识别。在本文中，我们提出一种重识别风险的度量方法，称之为 PIE（个人信息熵，Personal Information Entropy）。PIE 的设计使其能在本地模型中直接防止重识别攻击。它为攻击者可能达到的最低重识别错误概率（即贝叶斯错误概率）提供了下界。我们分析了 LDP 与 PIE 之间的关系，并针对两种提供 LDP 的混淆机制，分析了分布估计中的 PIE 与效用。通过实验，我们表明当将重识别视为隐私风险时，LDP 会导致过度混淆并破坏效用。随后我们展示 PIE 可用于在保证本地混淆机制低重识别风险的同时保持高效用。