《電子技術(shù)應用》
您所在的位置:首頁(yè) > 其他 > 設計應用 > 依賴(lài)差分隱私:關(guān)聯(lián)數據集下的高斯機制
依賴(lài)差分隱私:關(guān)聯(lián)數據集下的高斯機制
網(wǎng)絡(luò )安全與數據治理
歐陽(yáng)恒,陳洪超
貴州輕工職業(yè)技術(shù)學(xué)院信息工程系
摘要: 差分隱私(Differential Privacy)是一種數據擾動(dòng)框架,它保證查詢(xún)結果在概率上不可區分。研究表明差分隱私應用于關(guān)聯(lián)數據集時(shí),將帶來(lái)隱私泄露的風(fēng)險。根據依賴(lài)差分隱私(Dependent Differential Privacy),量化了依賴(lài)差分隱私敏感度的度量;隨后,提出了依賴(lài)差分隱私-高斯機制算法(Gaussian Mechanism Algorithm Dependent Differential Privacy),實(shí)現數據擾動(dòng),同時(shí)證明了該機制滿(mǎn)足隱私保證的基本定理;通過(guò)使用真實(shí)數據集的實(shí)驗表明,GMA DDP在管理依賴(lài)數據的隱私-效用權衡方面具有較高的可用性。
中圖分類(lèi)號:TP309.2文獻標識碼:ADOI:10.19358/j.issn.2097-1788.2024.03.002
引用格式:歐陽(yáng)恒,陳洪超.依賴(lài)差分隱私:關(guān)聯(lián)數據集下的高斯機制[J].網(wǎng)絡(luò )安全與數據治理,2024,43(3):9-13.
Dependent differential privacy: Gaussian mechanism for correlated datasets
OuYang Heng, Chen Hongchao
Department of Information Engineering, Guizhou Light Industry Technical College
Abstract: Differential Privacy is a data perturbation framework, which ensures that the query results are not distinguishable in probability. Research shows that when differential privacy is applied to associated data sets, it will bring the risk of privacy disclosure. Based on the dependent differential privacy, this paper quantifies the sensitivity of the dependent differential privacy; Then, a Gaussian Mechanism Algorithm Dependent Differential Privacy is proposed to realize data disturbance, and the basic theorem that the mechanism meets the privacy guarantee is proved; Experiments using real data sets show that GMA DDP has high availability in managing privacy utility tradeoffs that depend on data.
Key words : differential privacy; dependent differential Privacy; Gaussian mechanism; correlated dataset

引言

數據成為信息時(shí)代最重要的生產(chǎn)要素,將帶來(lái)巨大的經(jīng)濟效益。然而,隨著(zhù)數據分析技術(shù)與機器學(xué)習的發(fā)展,直接發(fā)布不經(jīng)過(guò)隱私保護處理的數據,可能會(huì )導致隱私的泄露。Dwork等人[1]提出了差分隱私,作為一種擁有嚴格的數學(xué)定義和邏輯證明的隱私保護方法,能夠為數據的發(fā)布提供強有力的隱私保護。高斯機制最初也由Dwork等人[1]提出,添加噪聲量σ2006最少應滿(mǎn)足:σ2006≥Δ2log2/δ/ε,其中Δ是查詢(xún)的敏感度。然而,由于該方法噪聲量較大,沒(méi)有被廣泛應用。隨后,Dwork等人[2]提出了一種優(yōu)化后的噪聲量計算方法σCGM≥Δ2log125/δ/ε,現已被廣泛采用。然而,2018年Balle等人[3]重新審視了高斯機制,提出了分析高斯機制(AGM)在噪聲量σAGM達到了最優(yōu)的效用,但由于其沒(méi)有封閉的表達式,需要使用二分法迭代計算,時(shí)間復雜度較高Θ(log2n)。


本文詳細內容請下載:

http://www.ihrv.cn/resource/share/2000005928


作者信息:

歐陽(yáng)恒,陳洪超

貴州輕工職業(yè)技術(shù)學(xué)院信息工程系, 貴州貴陽(yáng)550025


雜志訂閱.jpg

此內容為AET網(wǎng)站原創(chuàng ),未經(jīng)授權禁止轉載。
少妇特殊按摩高潮惨叫无码,被喂饱的室友(H)御书屋,成人欧美一区二区三区视频,在厨房挺进市长美妇雪臀大宝