隐私风险量化的精确和高效贝叶斯推断（扩展版）
摘要：使用基于多元高斯分布的精确贝叶斯推断引擎来准确和高效地量化隐私风险。通过分析源代码，Privug是一种量化数据分析程序隐私风险的方法。该方法使用概率分布来建模攻击者的知识，并使用贝叶斯推断基于可观测输出来更新该知识。当前，Privug使用马尔可夫链蒙特卡罗（MCMC）进行推断，这是一种灵活但近似的解决方案。本文提出了一种基于多元高斯分布的精确贝叶斯推断引擎，以准确和高效地量化隐私风险。该推断引擎针对可以建模为多元高斯模型的Python程序的子集来实施。通过分析发布的公共统计数据程序的隐私风险，我们评估了该方法。评估结果显示，我们的方法准确和高效地分析了隐私风险，并且优于现有方法。此外，我们展示了我们的引擎在分析差分隐私在公共统计数据中的影响方面的应用。
作者：Rasmus C. R{o}nneberg, Ra''ul Pardo, Andrzej Wk{a}sowski
论文ID：2308.16700
分类：Cryptography and Security
分类简称：cs.CR
提交时间：2023-09-01