RAPPOR 微微学习

最新推荐文章于 2024-10-14 15:29:27 发布
最新推荐文章于 2024-10-14 15:29:27 发布
阅读量1.4k 收藏 3
点赞数 1
分类专栏： 差分隐私学习笔记 文章标签： 安全
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_43641509/article/details/121311007
版权
RAPPOR是一种在不侵犯用户隐私的情况下收集数据的方法，它使用随机响应和两层随机化来实现差分隐私。在谷歌中，RAPPOR被用来收集如默认主页和搜索引擎等信息，同时通过添加噪声来保护用户隐私。RAPPOR算法包括使用Bloom Filter处理数据碰撞，以及应对成长中的挑战。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

RAPPOR: Utilizing Large-Scale RAndomized Response at Google

参考视频

源码
image-20211230153258937

1. 背景

希望收集用户使用的默认主页和搜索引擎，但同时不涉及用户的个人隐私

Metaphor for RAPPOR

Mona lisa 举例

一副图像由多个独立的信息组成，就如同我们的统计信息来自于多个独立的统计个体

在这里插入图片描述

如果不加以噪声，可能会导致隐私问题

最低0.47元/天 解锁文章
RAPPOR: Randomized Aggregatable Privacy-PreservingOrdinal Response略读
MewGul的博客
07-29 4461
RAPPOR 算法基础 用户将数据进行扰动后发送给收集者，在进行后续的各种操作 首先将字符串通过布隆过滤器用h个哈希函数进行处理（这里用了4个，所欲B有4位置1），得到B，随后将B通过随机响应函数获得永久随机响应B’,将永远存储在用户的设备中。每当数据收集者请求数据时，客户机对B’再次进行扰动获得临时随即响应S，S将发送给收集者（每次询问同一数据获得的响应都不完全相同） 永久随机响应的规则 f是用户可调的一个概率，来控制隐私水平。例图中中f=0.5（f越大越随机） 临时随机响应 获得B’后对其进行随机响
RAPPOR_SPM
weixin_43641509的博客
12-30 744
Google的RAPPOR算法可谓经典，本次分享为：2016年提出的The Segment Pairs Method （SPM）算法 适用于：1）字典集未知，2）联合分布计算的情况 相较频率估计同样会更加使用与Heavy Hitter 论文链接：Giulia Fanti - Building a RAPPOR with the Unknown 视频链接 如下为ppt记录 ...
布隆过滤
小乌龟
08-29 343
from pybloom_live import BloomFilter 初始化 def __init__(self): 判断是否有该文件 if os.path.exists("dujia.bm"): 创建个bloom对象 self.bloom = BloomFilter("dujia.bm") else: 创建个bloom对象 ...
探索Google RAPPOR：一种革命性的隐私保护数据分析工具
gitblog_00039的博客
04-11 496
探索Google RAPPOR：一种革命性的隐私保护数据分析工具 rapporRAPPOR: Privacy-Preserving Reporting Algorithms项目地址:https://gitcode.com/gh_mirrors/ra/rappor 项目简介 是一个开源项目，由谷歌开发，旨在解决在保护个人隐私的同时进行大规模的数据收集和分析问题。RAPPOR（Randomized ...
基于随机响应机制的本地差分隐私【谷歌】论文笔记
谈论现实
11-10 2564
RAPPOR: Randomized Aggregatable Privacy-Preserving Ordinal Response 论文阅读写在前面的话自己的理解（整理）攻击模型注意事项相关工作总结 写在前面的话 这篇文章是我在读《AsgLDP: Collecting and Generating Decentralized Attributed Graphs With Local Differential Privacy》时用到的一篇引文。来自谷歌作者团队，收录于14年的CCS。时间比较久远，但是很经
arappor-election-card
03-30
arappor-election-card
RAPPOR 开源项目使用教程
gitblog_00386的博客
08-07 502
RAPPOR 开源项目使用教程 rapporRAPPOR: Privacy-Preserving Reporting Algorithms项目地址:https://gitcode.com/gh_mirrors/ra/rappor 1. 项目的目录结构及介绍 RAPPOR 项目的目录结构如下： analysis/: 分析代码的 R 文件。 cpp/: 某些分析算法的快速重实现。 apps/: 帮...
本地差分隐私：苹果的CMS和谷歌的RAPPOR基本算法本质
Enjoyeer的博客
12-15 5319
（此文纯属心得分享，无科普，并假设读者了解CMS和RAPPOR。如有错误，恳请指出） 一直感觉差分隐私和纯粹概率有点不同的地方，看完苹果的CMS基本算法和谷歌的RAPPOR基本算法，感觉其实都是一回事。 比如CMS对独热向量的每一位按照 1/(1+e^(Epsilon/2)) 的概率进行翻转，最后达到隐私预算为Epsilon的差分隐私框架要求；RAPPOR采用随机应答的思想，有 1/2f 的概...
小白读论文：机器学习的安全威胁和防御技术（下）——机器学习的防御技术
最新发布
pppj1998的博客
10-14 973
介绍了机器学习模型的安全评估模型、安全防御对策、数据隐私保护
On Deep Learning with Label Differential Privacy 深度学习中的本地差分隐私技术的应用和改进
weixin_43641509的博客
11-15 5165
On Deep Learning with Label Differential Privacy 链接: (1) Ghazi, B.; Golowich, N.; Kumar, R.; Manurangsi, P.; Zhang, C. On Deep Learning with Label Differential Privacy. arXiv preprint arXiv:2102.06062 2021. . 这里写目录标题On Deep Learning with Label Differential
pure-LDP：Python包，用于简单实现最新的LDP算法（频率预言和沉重打击）
02-27
纯LDP pure-LDP是一个Python软件包，提供了各种最新LDP算法（“频率Oracle”和“重磅炸弹”）的简单实现，其主要目标是提供一个简单的接口来对这些算法进行基准测试和实验。 Wang等人在一文中详细介绍了pure-LDP，它最初是用于纯LDP频率预言的软件包，但后来演变为实现许多其他最新的LDP频率估计协议，例如Apple的CMS / HCMS和Google的RAPPOR。 它还包含各种重击手协议的实现，例如Apple的Sequence Fragment Puzzle（SFP）和Prefix Extending Method（PEM）。 该库的主要目标是开发一个框架，该框架允许轻松使用频率预言数据库（FO）进行基准测试和实验，轻松扩展以实施新的预言数据库以及灵活替换当前协议中的FO（即，将FO与繁重的混合和匹配）打手协议）。 安装 使用软件包管理器进行安装。 pip
【敏感度，查询，裁剪代码实现】差分隐私代码实现系列（六）
谈论现实
12-06 3235
差分隐私代码实现系列（六）写在前面的话回顾敏感性（Sensitivity）距离（Distance）计算灵敏度（Calculating Sensitivity）计算查询数（Counting Queries）求和查询（Summation Queries）平均查询（Average Queries）裁剪（Clipping）总结 写在前面的话 书上学来终觉浅，绝知此事要躬行。 回顾 1、顺序组合给出的隐私成本的界限是一个上限，两个特定的差异隐私机制的实际隐私成本可能小于此，但永远不会比这个更大。 2、实际的隐私损失似
本地差分隐私
天下月色共三分的博客
04-08 749
随着d变大，DE 对 d 的依赖性是不可接受的，随后的方法消除了这种依赖性。local hashing方法让每个用户选择一个散列函数来对他们的输入进行编码，然后将散列函数与通过直接编码 [15] 编码的散列输入一起发回。在这里，哈希的域被选择为 g，它是 ε 的函数，通常比 d 小得多。也就是说，用户 i 选择一个（通用）哈希函数 ℎ。映射 [d] → [g]。接下来，用户对散列值 ℎ。) 应用直接编码，并将此输出与 ℎ。
【本地差分隐私与随机响应代码实现】差分隐私代码实现系列（十三）
谈论现实
02-12 4692
差分隐私代码实现系列（十三）写在前面的话回顾本地差分隐私随机响应一元编码总结 写在前面的话 书上学来终觉浅，绝知此事要躬行。 回顾 1、梯度下降是一种通过根据损失的梯度更新模型来使损失变小的方法。梯度就像一个多维导数：对于具有多维输入的函数（如上面的损失函数），梯度体现函数的输出相对于输入的每个维度的变化速度。如果梯度在特定维度中为正，则意味着如果我们增加该维度的模型权重，则该函数的值将增加;我们希望损失减少，因此我们应该通过朝着梯度的反方向来修改我们的模型，即做与梯度相反的事情。由于我们沿梯度相反的方向移
这是一篇关于本地化差分隐私LDP的文章，很长很长，一如滔滔江水，连绵不绝
wxhlqb的博客
04-14 494
拉普拉斯噪声：f(D)中有d维数据，它将d个拉普拉斯噪声加入每维的数据中，全局敏感度：每一维的对应向量之差的绝对值，求和，
差分隐私代码实现系列数据集及源码
谈论现实
03-18 5123
目录差分隐私系列源码及数据集关于差分隐私代码实现系列说明发博客的目的水平有限时间有限个人性格后续安排 差分隐私系列源码及数据集 Programming Differential Privacy源码及数据集 Programming Differential Privacy书 关于差分隐私代码实现系列说明 最近没上博客在忙开题，发现私信爆了。小伙伴最多的问题是关于《差分隐私代码实现系列》的代码和数据集，这个系列是我自己翻译《Programming Differential Privacy》并且加入了自己的一些看
差分隐私中随机响应的抛硬币问题（LDP）
谈论现实
11-09 2014
[关于随机响应的抛硬币问题和LDP的思考] RAPPOR: Randomized Aggregatable Privacy-Preserving Ordinal Response 【论文笔记】 写在前面的话摘要RAPPOR和（纵向）攻击结论直接看这里吧！！！！ 写在前面的话 这篇论文是下面这篇论文的引文 有一个地方没有弄明白 之前看的是投两次硬币，这里写的是一次性的概率，如果p小于0.5那不就为负数了，得到的值还比原来的小。单是这一点我就很困惑，再者这个概率p和1-p不都是对于总体而言吗？可以单独放在一
布隆过滤器——学习笔记
qq_56919740的博客
01-27 670
布隆过滤器（BloomFilter）是布隆在1970年提出的，它实际上是一个很长的二进制向量和一系列的随机映射函数。布隆过滤器用于检索一个元素是否在一个集合中。它的优点是空间效率和查询时间都比一般的算法要好得多，缺陷是必然有一定概率的误判和删除困难。
differential privacy 差分隐私入门 (一)
热门推荐
Enjoyeer的博客
01-30 2万+
对差分隐私比较感兴趣，看了几篇文章，了解一下大概的思想。现在决定重新看一下，发现有些文章内容不是很懂，干脆就一边翻译一边看了，不懂的地方我会加下划线，如果有人看到了，还请不吝指教。（如果未来有人看到我这篇翻译，请在2018年9月份之前告诉我，在21世纪20年代，什么职业最火） （注：文章是Cynthia Dwork的《Differential Privacy》） 差分隐私 Cynthia
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值