带有序列信息隐私的在线上下文感知数据发布
摘要：在保护隐私的前提下发布流数据一直是多年来的一个重点研究领域。这个问题存在很大的挑战，特别是由于数据流中普遍存在的相关性。现有的方法要么在有效地利用这些相关性方面存在不足，导致效用和隐私的权衡结果不佳，要么涉及复杂的机制设计，增加计算复杂度。在本文中，我们引入了序列信息隐私（SIP），这是一种新的隐私概念，旨在确保对整个数据流的隐私，考虑到内在的数据相关性。我们展示了SIP与本地差分隐私（LDP）相比提供了类似级别的隐私保证，并且具有轻量级的模块化机制设计。我们进一步研究了两种在线数据发布模型（即时或批处理）并提出相应的隐私保护数据扰动机制。我们对相关性如何影响数据流中的噪音添加进行了数值评估。最后，我们使用真实数据进行实验，将我们的方法提供的效用-隐私权衡与现有文献中的方法进行比较。结果表明，我们的机制在效用改进方面超过了基于LDP的机制的两倍以上。
作者：Bo Jiang, Ming Li, and Ravi Tandon
论文ID：2307.14388
分类：Cryptography and Security
分类简称：cs.CR
提交时间：2023-07-28