中心化差分隐私和本地化差分隐私下的直方图发布技术已得到广泛研究。为解决用户隐私需求和发布误差之间难以平衡的问题,在混洗差分隐私模型下提出一种直方图发布算法OD-HP(histogram publishing based on optimized local hash and dum...中心化差分隐私和本地化差分隐私下的直方图发布技术已得到广泛研究。为解决用户隐私需求和发布误差之间难以平衡的问题,在混洗差分隐私模型下提出一种直方图发布算法OD-HP(histogram publishing based on optimized local hash and dummy points)。该算法采用优化本地哈希扰动机制OLH对用户数据进行编码和扰动,解决了数据值域过大导致误差较大的问题。为抵御混洗器和收集端的合谋攻击,在扰动后的数据中添加虚拟数据,混洗端将扰动后的数据和虚拟数据随机均匀混洗,并在收集端进行直方图发布,最后使用EM算法对混洗后的数据求精优化。从理论上分析了OD-HP算法的隐私性和可用性,并在真实数据集上对所提出的方案进行验证。实验结果表明OD-HP算法在保证数据隐私性的同时有效降低了发布误差。展开更多
文摘中心化差分隐私和本地化差分隐私下的直方图发布技术已得到广泛研究。为解决用户隐私需求和发布误差之间难以平衡的问题,在混洗差分隐私模型下提出一种直方图发布算法OD-HP(histogram publishing based on optimized local hash and dummy points)。该算法采用优化本地哈希扰动机制OLH对用户数据进行编码和扰动,解决了数据值域过大导致误差较大的问题。为抵御混洗器和收集端的合谋攻击,在扰动后的数据中添加虚拟数据,混洗端将扰动后的数据和虚拟数据随机均匀混洗,并在收集端进行直方图发布,最后使用EM算法对混洗后的数据求精优化。从理论上分析了OD-HP算法的隐私性和可用性,并在真实数据集上对所提出的方案进行验证。实验结果表明OD-HP算法在保证数据隐私性的同时有效降低了发布误差。
