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

该同学没有id

已于 2023-04-15 11:22:01 修改

阅读量409

点赞数

文章标签：大数据

于 2023-04-14 23:25:08 首次发布

本文链接：https://blog.csdn.net/wxhlqb/article/details/130163657

版权

文章介绍了拉普拉斯机制在数据隐私保护中的应用，通过向数据添加拉普拉斯噪声来模糊真实信息。拉普拉斯噪声是在每个数据维度上独立添加的，其概率分布使得接近0的值更常见，但所有可能的噪声值都有可能。全局敏感度衡量数据的变动程度，而ε值决定了隐私保护的程度，较小的ε意味着更高的隐私保护。示例代码展示了如何生成和应用拉普拉斯噪声来模拟分布。

摘要由CSDN通过智能技术生成

概念

拉普拉斯机制

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，
疑问：这d个数据表示同一个人数据的不同属性，如：数学、英语、政治、体育分数进行加噪还是啥意思？我现在觉得是：数据集D中有n个用户，每个用户有d个属性，那么这个噪声就是一个个添加到每一个属性中的，那每添加到一个属性的每个用户噪声一样吗？应该是不一样吧，可是这个式子好像没有体现出来呢？
全局敏感度：每一维的对应向量之差的绝对值，求和，取最大值。（这个取最大值不是很好理解）

在这里插入图片描述

（1）从第17行的代码我读出了意思。拉普拉斯噪声是从-∞~﹢∞的，PDF曲线的意思是取到这个噪声的概率，噪声为0时概率越大，但是不代表远离0的噪声值一定取不到。所以我们的噪声值可以是0，可以是100，等情况。
（2）噪声是一个个加入给每一维的数据的。
体会一下，lambda取1和2时，取1的话，噪声分布差别不大；取2的话，噪声分布差别大。
5.本知识点来自该前辈文章，我节选我新学会的知识点和这篇也是。
6.P(M(D))/P(M(D’))≤e^epsilon，
如下图，两个概率比值被bound住在e^epsilon中。
从下图的文字可以看出，在图1中，epsilon越小，两个pdf线越接近，隐私保护水平高；epsilon为0时，两个pdf曲线完全一致，不能反映关于数据集的有用信息。所以就是我们常说的要考虑到安全性和可用性之间的平衡。

本知识点来自该博客[2]、[3]。
半年后再看这个回答，终于看懂了大部分。博客[4]
下面代码意思是拉普拉斯机制产生1000个随机数数量，生成的随机数序列可以用于模拟拉普拉斯分布的概率分布情况。选自该博主[5]

import numpt as np
import matplotlib.pyplot as plt
loc, scale = 0., 1.
s = np.random.laplace(loc, scale, 1000)
result_list = list(map(lambda x : x+50,s))
plt.hist(result_list, 30, density=True)
plt.show()