Distributional Differential Privacy for Large-Scale Smart Metering
面向大规模智能计量的分布式差分隐私
摘要
在智能电网中,通过应用基于精细负荷预测的控制机制来匹配供需是可能的。每个控制机制的一个关键组成部分是监控,即通过智能电表网络执行查询。然而,智能电表可以了解我们的生活,如果我们要使用这些方法,保护隐私就变得势在必行。最近的提议建议将提供者限制为不同的私人查询,但是这种方法的实用性还没有得到解决。在这里,我们解决了这种方法的一个重要问题:即使在不同时间点对统计独立数据的查询是以不同的私有方式实现的,查询分布的参数仍然可能揭示敏感的个人信息。如果我们允许持续监控,保护这些参数是困难的,这是智能电网的自然要求。我们提出了新的差分私有机制来解决求和查询的这个问题。我们使用理论分析和公开可用的测量数据来评估我们的方法和假设,并表明保护分布参数所需的额外噪声很小。
问题描述
假设我们有n个智能电表。在给定的时间t,让包含智能电表读数的数据库为D(t) = (x1(t)), … ,xn(t))。这些读数可以对应于t时刻的实际功耗、t之前短时间间隔内的总功耗或t之后短时间间隔内的预测功耗。
我们假设数据库是由某种概率分布生成的,也就是说,我们将每个测量xij建模为一个随机变量。该实用程序希望执行一系列查询Mj(Dj),其中j = 1,2,3…虽然答案应该及时地提供给实用程序,但是计算不能显示任何单个的值。
生成概率模型
Mj