论文笔记（二） 面向模式感知的隐私保护实时数据采集

Towards Pattern-aware Privacy-preserving Real-time Data Collection

面向模式感知的隐私保护实时数据采集

摘要

虽然从用户收集的时间序列数据可用于为各种应用程序提供服务，但它们可能会泄露用户的敏感信息。最近，本地差异隐私(LDP)作为保护数据隐私的最新方法出现，在外包之前通过在本地扰动数据来保护数据隐私。然而，现有的基于低密度脂蛋白的工作分别扰动每个数据点，而没有考虑时间序列中连续数据点之间的相关性。因此，每个时间序列的重要模式可能被现有的基于LDP的方法扭曲，导致数据效用的严重退化。在本文中，我们重点研究了诚实但好奇的服务器下的实时数据收集，并提出了一种新的模式感知隐私保护方法，称为PatternLDP，以保护数据隐私，同时时间序列的模式仍然可以保留。为此，不是在每个数据点提供相同级别的隐私保护，而是每个用户只对时间序列中的显著点进行采样，并根据它们对本地模式的影响自适应地干扰它们。特别地，我们提出了一种基于分段线性逼近的模式感知采样方法来确定是否采样和扰动当前数据点。为了减少扰动后模式变化引起的效用损失，我们提出了一种重要的感知随机化机制，在隐私和效用之间取得更好的平衡的同时，自适应地局部扰动采样数据。引入一种新的基于度量的w-事件隐私来度量模式丰富的时间序列的隐私保护程度。我们证明了PatternLDP能够提供上述隐私保证，在真实数据集上的大量实验表明PatternLDP优于现有机制，能够有效地保留重要的模式。

实时数据扰动

如图1所示，受拉普拉斯噪声干扰的时间序列数据[5]完全没有呈现正弦模式。在这种情况下，尽管多个用户的聚合统计数据在每个时间点可能都是准确的，但是每个用户的时间序列数据已经失去了其模式效用，不能用于提供个性化服务。

PatternLDP