本地差分隐私保护及其应用

计算机工程与科学

• 计算机网络与信息安全 • 上一篇下一篇

本地差分隐私保护及其应用

高志强，崔翛龙，周沙，袁琛

（武警工程大学乌鲁木齐校区,新疆乌鲁木齐 830049）

收稿日期:2017-11-02 修回日期:2018-02-15 出版日期:2018-06-25 发布日期:2018-06-25
基金资助:
国家自然科学基金（U1603261）；新疆维吾尔自治区自然科学基金（2016D01A080）

Local differential privacy protection and its applications

GAO Zhiqiang，CUI Xiaolong,ZHOU Sha,YUAN Chen

（Urumqi Campus,Engineering University of PAP,Urumqi 830049,China）

Received:2017-11-02 Revised:2018-02-15 Online:2018-06-25 Published:2018-06-25

摘要/Abstract

摘要：

隐私保护问题已成为信息安全领域研究的重点方向。差分隐私从2006年提出至今一直受到理论界的推崇，而近年来在产业界众包模式下的本地差分隐私受到了极大关注。分析了本地差分隐私模型相对于经典差分隐私模型的演进与应用场景，从理论研究和工程实践角度，对本地差分隐私基础理论及其在数据收集与数据分析中的应用研究进行综述。在数据收集方面，介绍了本地差分隐私的主要研究和应用成果，并着重从差分隐私的角度对这些方法进行了分析比较。在数据分析方面，阐述了本地差分隐私在编码、解码以及在统计学角度的实现和分析方式，并从理论上对这些算法进行推导分析。最后，在对已有技术深入对比分析的基础上，总结出了本地差分隐私技术面临的挑战和研究方向。

关键词: 差分隐私, 数据发布, 数据挖掘, 机器学习, 众包, 隐私保护

Abstract:

Privacy protection has become the focus of information security research. Differential privacy has been highly recommended by the theoretical community since 2006. In recent years, the local differential privacy in the industry crowdsourcing model has attracted much attention. We analyze the local differential privacy model from the perspective of theoretical research and engineering practice, and summarize the applications of local differential privacy theory in data collection and data analysis. In the aspect of data collection, the main research and application results of local differential privacy are introduced, and the methods are analyzed and compared from the perspective of differential privacy. In the aspect of data analysis, the implementation and analysis of local differential privacy in encoding, decoding and statistics are discussed, and these algorithms are analyzed theoretically. Finally, on the basis of indepth comparison and analysis of existing technologies, the challenges and research directions of local differential privacy techniques are summarized.

Key words: differential privacy, data publishing, data mining, machine learning, crowdsourcing, privacy protection

高志强，崔翛龙，周沙，袁琛. 本地差分隐私保护及其应用[J]. 计算机工程与科学.

GAO Zhiqiang，CUI Xiaolong,ZHOU Sha,YUAN Chen. Local differential privacy protection and its applications[J]. Computer Engineering & Science.

[1]	李天云, 李韬, 温冬, 杨惠, 张毓涛, 罗欣, 董德尊. 基于人工智能方法的网络拥塞控制综述[J]. 计算机工程与科学, 2025, 47(6): 1018-1027.
[2]	彭林, 张鹏, 陈俊峰, 唐滔, 黄春. 基于监督学习的稀疏矩阵乘算法优选[J]. 计算机工程与科学, 2025, 47(3): 381-391.
[3]	陈文锦. QTorch:基于独立的量子程序设计语言的量子-经典混合机器学习框架[J]. 计算机工程与科学, 2025, 47(3): 412-421.
[4]	王宇飞, 刘强, 张唯贞, 伍晓洁, 李佳雯, 王煜恒. rtTorTIM：基于多模态特征融合和Stacking集成学习的实时Tor流量识别方法#br#[J]. 计算机工程与科学, 2025, 47(2): 238-246.
[5]	黄颖, 唐敏, . 基于深度神经网络的隐私保护基因检测[J]. 计算机工程与科学, 2025, 47(2): 265-275.
[6]	肖迪, 余柱阳, 李敏, 王莲. 基于差分隐私与模型聚类的安全联邦学习方案[J]. 计算机工程与科学, 2024, 46(9): 1606-1615.
[7]	王永军, 刘瀚阳, 王辉, 申自浩, 刘琨, 刘沛骞. 区域敏感的群智感知隐私保护任务分配机制[J]. 计算机工程与科学, 2024, 46(8): 1414-1424.
[8]	温鑫, 曾焘, 李春波, 徐子晨. 面向服务器无感计算的模型推理服务切换方法研究[J]. 计算机工程与科学, 2024, 46(7): 1210-1217.
[9]	丁建平, 李卫军, 刘雪洋, 陈旭. 命名实体识别研究综述[J]. 计算机工程与科学, 2024, 46(7): 1296-1310.
[10]	黄智慧, 肖祥立, 张玉书, 薛明富. 基于隐形后门水印的开源数据集版权保护[J]. 计算机工程与科学, 2024, 46(6): 1013-1021.
[11]	赵文韬, 官礼和, 何建国, 唐昊. 区块链环境中的隐私保护推荐算法研究[J]. 计算机工程与科学, 2024, 46(6): 1032-1040.
[12]	高珊, 李世杰, 蔡志平. 基于深度学习的中文文本分类综述[J]. 计算机工程与科学, 2024, 46(4): 684-692.
[13]	黄鹏程, 冯超超, 马驰远, . 未知工艺角下时序违反的机器学习预测[J]. 计算机工程与科学, 2024, 46(3): 395-399.
[14]	李扬, 尹大鹏, 马自强, 姚梓豪, 魏良根, . 结合决策树和AdaBoost的缓存侧信道攻击检测[J]. 计算机工程与科学, 2024, 46(3): 440-452.
[15]	赵琰, 马慧芳, 王文涛, 童海斌, 贺相春. 可靠响应表示增强的知识追踪方法[J]. 计算机工程与科学, 2024, 46(3): 535-544.

本地差分隐私保护及其应用

Local differential privacy protection and its applications

PDF

可视化

摘要/Abstract

引用本文

使用本文

相关文章 15

编辑推荐

Metrics

本文评价