依赖差分隐私：关联数据集下的高斯机制
网络安全与数据治理
欧阳恒,陈洪超
贵州轻工职业技术学院信息工程系
摘要： 差分隐私(Differential Privacy)是一种数据扰动框架，它保证查询结果在概率上不可区分。研究表明差分隐私应用于关联数据集时，将带来隐私泄露的风险。根据依赖差分隐私(Dependent Differential Privacy)，量化了依赖差分隐私敏感度的度量；随后，提出了依赖差分隐私-高斯机制算法(Gaussian Mechanism Algorithm Dependent Differential Privacy)，实现数据扰动，同时证明了该机制满足隐私保证的基本定理；通过使用真实数据集的实验表明，GMA DDP在管理依赖数据的隐私-效用权衡方面具有较高的可用性。
中图分类号：TP309.2文献标识码：ADOI:10.19358/j.issn.2097-1788.2024.03.002
引用格式：欧阳恒,陈洪超.依赖差分隐私：关联数据集下的高斯机制［J］.网络安全与数据治理，2024，43（3）：9-13.
引用格式：欧阳恒,陈洪超.依赖差分隐私：关联数据集下的高斯机制［J］.网络安全与数据治理，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
数据成为信息时代最重要的生产要素，将带来巨大的经济效益。然而，随着数据分析技术与机器学习的发展，直接发布不经过隐私保护处理的数据，可能会导致隐私的泄露。Dwork等人［1］提出了差分隐私，作为一种拥有严格的数学定义和逻辑证明的隐私保护方法，能够为数据的发布提供强有力的隐私保护。高斯机制最初也由Dwork等人［1］提出，添加噪声量σ2006最少应满足：σ2006≥Δ2log2/δ/ε，其中Δ是查询的敏感度。然而，由于该方法噪声量较大，没有被广泛应用。随后，Dwork等人［2］提出了一种优化后的噪声量计算方法σCGM≥Δ2log125/δ/ε，现已被广泛采用。然而，2018年Balle等人［3］重新审视了高斯机制，提出了分析高斯机制(AGM)在噪声量σAGM达到了最优的效用，但由于其没有封闭的表达式，需要使用二分法迭代计算，时间复杂度较高Θ(log2n)。
本文详细内容请下载：
//www.qiuzhonghe.com/resource/share/2000005928
作者信息：
欧阳恒,陈洪超
贵州轻工职业技术学院信息工程系, 贵州贵阳550025
此内容为AET网站原创，未经授权禁止转载。