差分隐私 python_实现差分隐私技术的简单应用

大数据时代，数据发布是信息资源共享的最重要途径之一，然而如果考虑不到数据保护的话，就会导致隐私信息泄露问题，甚至造成严重后果。为有效应对隐私泄露问题，人们通常采用以下几种方式：一是通过失真等降低数据敏感性--数据脱敏；二是通过“去标识化”实现隐私保护--匿名化；三是通过加噪声来抵抗差分攻击--差分隐私。

这其中，数据脱敏简单地删除敏感字段，其使用性差，而且仍然存在隐私泄露隐患。匿名化技术不断被发现存在漏洞和缺陷，其不可靠性比较差。差分隐私技术对比前两者，具有严格的数学模型，安全性级别可量化可证明，是当前最热门的隐私保护技术之一。

对于差分隐私技术，我们不需要掌握它复杂的数学原理，只需要清楚差分隐私技术比较可靠，学会如何应用即可。

下面我们通过一段Python代码来演示。

假设公司提供的人事资料供大家查询，资料中包括姓名和薪水信息，其中姓名是公开的，而薪水是需要隐私保护的。

数据见下表：

姓名

薪水

王二

5000

张三

6000

李四

7000

Python代码的具体实现如下：

import numpy as np # 导入numpy库

def get_noisy_digit(value, epsilon):

# 符合普拉斯分布的噪声

# 数学公式无需完全理解

u = np.random.random() - 0.5

noisy_digit = 0.0 - value/epsilon*np.sign(u)*np.