2021年2021年度差别隐私保护和其讲义.ppt

来自两篇KDD会议文章
KDD2011 Differentially Private Data Release for Data Mining
KDD2010 Data Mining with Differential Privacy
差别隐私保护和其
2021/1/25
1
敏感信息保护
问题提出与描述
差别隐私保护和其
2021/1/25
2
敏感信息
私有性
敏感性
易暴露
例如：姓名、身份号、年龄等信息
差别隐私保护和其
2021/1/25
3
敏感保护新问题
基于背景知识的隐私攻击
实例，87%的美国人身份可以通过5位压缩码（5-digit zip code）、性别和出生日期组成的属性集合唯一地被辨识。这个属性集合被称为准标识（Quasi-IDentifier ，QID）。敌手可能通过一些公开的来源获得这些属性集合信息，比如公众投票表（a voter list）。通过简单地连接外部数据源中的QID属性集合，一个人的私有信息可能会被暴露。
差别隐私保护和其
2021/1/25
4
目前的解决方法
匿名化算法
k-匿名的隐私保护模型（k-anonymity privacy model）[36, 37]
ι-多样化（ι-diversity ）[28]
（a，k）匿名（(α,k)-anonymity）[41]
t-密闭（t-closeness）[26]
（c，k）-安全（(c,k)-safety）[29]
交互式与非交互式隐私保护
差别隐私保护和其
2021/1/25
5
数据发布中的技术
泛化技术[36,37]
基于泛化技术的匿名算法[2,13,23,24,36]已经被提出来
差别隐私保护和其
2021/1/25
6
新颖的隐私保护模型
差别隐私（Differential Privacy）[7]
差别隐私是一个新颖的隐私定义，可以提供强的隐私保护。
基于划分的隐私保护模型的输出数据需要保持k个记录是难以分辨的，或者敏感信息值都在每一个等价组中被很好地描述。
然而，差别隐私的保护可以保证敌手对于个体的知识一无所知，无论个人的记录在不在数据当中出现。
简言之，从一个个体的角度来看，输出的处理就像是对一个不包含个体个人记录的数据集进行计算一样。
差别隐私保护和其
2021/1/25
7
差别隐私保护
定义 ε-差别隐私(ε-differential privacy) . 一个随机算法是差别隐私的当对于所有的数据集和来说，他们的对称的差别（symmetric difference）最多包含一个记录，对于所有的可能的匿名化数据集来说有
其中，概率值是在算法的随机性前提下的。
参数ε > 0是公开的而且是由数据拥有者指定的。ε 取值越小提供的隐私保护越强。
差别隐私保护和其
2021/1/25
8
差别隐私保护
差别隐私保护的标准机制是通过向一个函数的真实输出中添加随机的噪音的方法完成的。
噪音通过函数的敏感度来调整。函数的敏感度是从两个只有一个记录不同的数据集中得到的输出的最大差别。
差别隐私保护和其
2021/1/25
9
差别隐私保护-拉普拉斯机制
Dwork等人在文献[9]中提出了拉普拉斯机制
作用是确定添加噪音数据的大小
差别隐私保护和其
2021/1/25
10