面向物联网的信息隐私

在物联网网络中，多个传感器向融合中心发送信息，以使其推断感兴趣的公共假设。然而，融合中心可能利用相同的传感器信息做出传感器希望保护的私有性质推断。为此，我们采用具有二值公共与私有假设的分散式假设检验框架。每个传感器进行私有观测，并利用局部传感器决策规则或隐私映射独立于其他传感器总结该观测。然后，传感器做出的局部决策被发送至融合中心。在不假设传感器观测与假设联合分布知识的情况下，我们采用非参数学习方法来设计局部隐私映射。我们引入经验归一化风险的概念，当训练样本数量较大时，该风险为网络以高概率实现私有假设的信息隐私提供理论保证。我们开发迭代优化算法以确定合适的隐私阈值和最佳传感器隐私映射，并证明它们收敛。最后，我们将方法扩展到私有多假设的情况。在合成与真实数据集上的数值结果表明，我们提出的方法在推断公共假设时产生较低错误率，但在检测私有假设时产生较高错误率。