隐私保护技术自学

差分隐私

差分隐私学习博客1

隐私保护–>最初：数据匿名化
后来：原始数据转化为粗粒度的统计数据（问题：数据重构攻击----从统计数据重构源数据）
如今：发布更复杂版本的数据形式？？

• non-interative: 对原始数据加噪音
• interative: 对查询结果加噪音

差分隐私的原理

---

• 从不满足差分隐私的算法出发

• 往算法中适当地加入一定噪音，使其输出满足差分隐私要求
  噪音机制

• 随机化回答

• 拉普拉斯噪声机制
  拉普拉斯噪声详解
  
  

• 指数机制
  指数噪声详解
  

• 高斯机制(没理解透)
  高斯机制证明过程
  
  

• RR机制
  0

差分隐私数据库

差分隐私机器学习

机器学习模型的数据保护
对机器学习模型的隐私攻击：
输入一个数据，若模型的处理很快干脆，说明它在之前已经碰到这个数据，这则数据存在于训练数据集中、

差分隐私数据采集

差分隐私数据合成

---

安全多方计算

一个任务有多方的数据参与进来，但各方不希望自身数据对其他方公开

基于噪音的多方安全计算

计算过程用噪音干扰，原始数据淹没在噪音中，使他人无法从结果反推原始数据
典型技术：差分隐私

不是基于噪音的