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。
中圖分類號：TP309.2文獻標識碼：ADOI:10.19358/j.issn.2097-1788.2024.03.002
引用格式：歐陽恒,陳洪超.依賴差分隱私：關聯數據集下的高斯機制［J］.網絡安全與數據治理，2024，43（3）：9-13.
引用格式：歐陽恒,陳洪超.依賴差分隱私：關聯數據集下的高斯機制［J］.網絡安全與數據治理，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
數據成為信息時代最重要的生產要素，將帶來巨大的經濟效益。然而，隨著數據分析技術與機器學習的發展，直接發布不經過隱私保護處理的數據，可能會導致隱私的泄露。Dwork等人［1］提出了差分隱私，作為一種擁有嚴格的數學定義和邏輯證明的隱私保護方法，能夠為數據的發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最少應滿足：σ2006≥Δ2log2/δ/ε，其中Δ是查詢的敏感度。然而，由于該方法噪聲量較大，沒有被廣泛應用。隨后，Dwork等人［2］提出了一種優化后的噪聲量計算方法σCGM≥Δ2log125/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達到了最優的效用，但由于其沒有封閉的表達式，需要使用二分法迭代計算，時間復雜度較高Θ(log2n)。
本文詳細內容請下載：
http://m.tom3567.com/resource/share/2000005928
作者信息：
歐陽恒,陳洪超
貴州輕工職業技術學院信息工程系, 貴州貴陽550025
此內容為AET網站原創，未經授權禁止轉載。