PLDP:收集和分析多维数据的个性化LDP

摘要：

众包应用的普及加速了企业的发展,随之而来的隐私泄露问题已经成为公众关注的焦点.现有的本地化差分隐私(LDP)机制主要关注单个隐私级别的效用优化,这会导致某些用户因提供的隐私保护级别不足拒绝共享数据,而某些用户则获得过多的隐私保护.为满足用户不同的隐私保护需求,针对收集和分析多维混合型数据提出一种个性化本地差分隐私(PLDP)机制,为用户提供多个隐私保护级别.具体来说,提出一个个性化用户数据扰动框架,该框架针对数值型数据和分类型数据分别执行个性化的均值估计算法和频率估计算法,并通过理论分析证明算法的保密性和有效性.另外,提出一个个性化的采样方案,该方案根据服务器端的偏好对属性标签进行预处理,并按照其收集偏好对数据维度进行有偏采样.在两个真实数据集上的实验表明,与传统的LDP机制相比,提出的机制在保证用户数据隐私的同时,降低了收集数值型数据和分类型数据的统计误差,因此在隐私保护和数据可用性之间提供了更好的平衡.

关键词：本地化差分隐私(LDP)、个性化本地差分隐私(PLDP)、数值型数据、分类型数据、众包

所属期刊栏目：17

分类号：TP393(计算技术、计算机技术)

资助基金：国家自然科学基金;重庆市教委项目

在线出版日期：2023-04-10（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：964-972