本地差分隐私 随机响应_本地化差分隐私 谢荣 | MySlide - 专注PPT分享，追随SlideShare和SpeakerDeck的脚步...

1. 本地化差分隐私研究综 述 叶青青 , 孟小峰 , 朱敏杰 , 霍峥 . 软件学报 ,2018,29(7). 指导老师：温蜜 汇报人：谢荣

2. 目 录 CONTENTS 1. 研究背 景 2. 基础知 识 3. 基于本地化差分隐私的数据保护框架 4. 主要研究方向 5. 本地化差分隐私方法对比与分析 6. 未来研究挑 战

3. 研究背 景

4. 研究背景 大数据时代，信息技术为人类社会带来便捷的同时，也产生数据安全与用户隐私的问题。 就隐私保护技术而言，隐私保护程度和数据可用性的最重要的衡量指标。 为了平衡上述两个指标，需要对隐私进行量化，进而提出了差分隐私技术。 传统的差分隐私技术将原始数据集中到应该数据中心，称为中心化差分隐私。 中心化差分隐私始终基于可信第三方，在实际应用中会受限，于是提出了本地化差分隐私。 4

5. 基础知 识

6. 定义 给定 n 个用户，每个用户对应一条记录， 给定一个隐私算法 M 及其定义域 Dom(M) 和值域 Ran(M), 若算法 M 在任意两条记录 t 和 t’ 上得到相同的输出结果 t* ， 满足下列不等式，则 M 满足 ε- 本地化差分隐私。

7. 扰动机制 随机响应技术 (WRR) (仅对两种取值的离散 数值型数据响应) 主要思想： 利用对敏感问题 响应的不确定性对原始 数据进行隐私保护。 主要步骤： 1 、扰动性统计 2 、校正 离散型数据的随机响 应 (超过两种取值) 第一种思路： 对变量的不同取 值进行编码与转化。 第二种思路： 改进 ，使其直接 进进进进进 适用多取值的变量。 连续型数据的随机响 应 主要思想： 将连续型数据离 散化。

8. 本地化与中心化差分隐私的异同 点 1 、组合特性 2 、可信与不可信第三方 3 、噪声机制 4 、应用