面向噪声校准与审计的差分隐私披露风险分析
密码学与安全
2026-03-13 v1 信息论
math.IT
摘要
差分隐私 (DP) 在数据管理系统中广泛采用，以获得形式化的披露保障。核心系统挑战在于理解 DP 噪声如何转化为对推断攻击的有效保护，因为这直接决定可实现的实用性。大多数现有分析仅关注成员推断——这只捕捉了单一威胁——或依赖于重建鲁棒性 (ReRo)。然而，在现实假设下，我们展示 ReRo 可能产生误导性的风险估计并违反声称的界限，这限制了其在原则化 DP 校准和审计方面的有用性。本文引入重建优势，这是一个统一的风险度量，持续地跨越成员推断、属性推断和数据重建捕捉风险。我们推导紧密的界限，将 DP 噪声与对抗性优势关联，并描述任意 DP 机制和攻击者知识下的最优对抗策略。这些结果使风险驱动的噪声校准成为可能，为系统性 DP 审计奠定了基础。我们表明，重建优势提高了 DP 审计的准确性和范围，并使 DP 启用的数据管理系统实现更有效的实用-隐私权衡。
引用
@article{arxiv.2603.12142,
title = {Understanding Disclosure Risk in Differential Privacy with Applications to Noise Calibration and Auditing (Extended Version)},
author = {Patricia Guerra-Balboa and Annika Sauer and Héber H. Arcolezi and Thorsten Strufe},
journal= {arXiv preprint arXiv:2603.12142},
year = {2026}
}
备注
This is an extended version of the paper accepted in the Proceedings of the VLDB Endowment (PVLDB), 2026. The code used for our experiments is accessible in https://github.com/PatriciaBalboaKIT/Understanding-Risk-in-DP