一种基于随机投影的本地差分隐私高维数值型数据收集算法

孙慧中; 杨健宇; 程祥; 苏森

doi:10.11959/j.issn.2096-0271.2020001

您当前的位置：

首页 >

文章列表页 >

一种基于随机投影的本地差分隐私高维数值型数据收集算法

专题：大数据隐私保护 | 更新时间：2024-06-03

- 一种基于随机投影的本地差分隐私高维数值型数据收集算法
- A high-dimensional numeric data collection algorithm for local difference privacy based on random projection
- 大数据 2020年6卷第1期页码：2020001-1
- 作者机构：
- 作者简介：
  
  [ "孙慧中（1998- ），女，北京邮电大学网络与交换技术国家重点实验室硕士生，主要研究方向为隐私保护和机器学习" ]
  [ "杨健宇（1994- ），男，北京邮电大学网络与交换技术国家重点实验室博士生，主要研究方向为隐私保护" ]
  [ "程祥（1984- ），男，北京邮电大学副教授、博士生导师，主要研究方向为数据挖掘、知识工程、隐私保护等。其研究成果已发表在包括IEEE ICDE、IEEE ICDM、AAAI、IJCAI、EMNLP、IEEE TKDE、IEEE TDSC、IEEE TSC等在内的国际会议和期刊上。主持与大数据隐私保护相关的国家自然科学基金青年科学基金项目1项、国家自然科学基金项目面上项目1项，并作为科研骨干参与多项国家级和部级科研项目" ]
  [ "苏森（1971- ），男，北京邮电大学教授，计算机学院执行院长，中国计算机学会理事，服务计算专业委员会秘书长，“数字中国产业发展联盟”副理事长。2005年入选教育部“新世纪优秀人才支持计划”，2017年入选国家“万人计划”科技创新领军人才。目前主要研究方向为智能数据服务、数据隐私保护、社交网络分析。获国家科技进步奖二等奖1次，中国通信学会科技进步奖一等奖1次，教育部科技进步奖二等奖1次" ]
- 基金信息：
  
  国家自然科学基金资助项目;The National Natural Science Foundation of China(61872045)
- DOI：10.11959/j.issn.2096-0271.2020001
  中图分类号： TP309
- 网络首发：2020-01，
  
  纸质出版：2020-01-15
- 稿件说明：
移动端阅览
孙慧中, 杨健宇, 程祥, 等. 一种基于随机投影的本地差分隐私高维数值型数据收集算法[J]. 大数据, 2020,6(1):2020001-1.

Huizhong SUN, Jianyu YANG, Xiang CHENG, et al. A high-dimensional numeric data collection algorithm for local difference privacy based on random projection[J]. Big Data Research, 2020, 6(1): 2020001-1.
孙慧中, 杨健宇, 程祥, 等. 一种基于随机投影的本地差分隐私高维数值型数据收集算法[J]. 大数据, 2020,6(1):2020001-1. DOI： 10.11959/j.issn.2096-0271.2020001.

Huizhong SUN, Jianyu YANG, Xiang CHENG, et al. A high-dimensional numeric data collection algorithm for local difference privacy based on random projection[J]. Big Data Research, 2020, 6(1): 2020001-1. DOI： 10.11959/j.issn.2096-0271.2020001.

摘要

对满足本地差分隐私的高维数值型数据收集问题进行了研究。设计了一种基于随机投影技术的满足本地差分隐私的高维数值型数据收集算法Multi-RPHM，在满足本地差分隐私的条件下，该算法处理维度较高的数据时能够保证所收集的数据的高效用。从理论上证明了该算法满足ε-本地差分隐私的要求。在合成数据集上进行的实验结果验证了该算法的有效性。

Abstract

The problem of high-dimensional data collection satisfying local differential privacy was studied.A new locally differentially private algorithm called Multi-RPHM was proposed based on the random projection technology

which achieved the high utility of the collected high-dimensional numeric data while satisfying the local differential privacy.The algorithm was formally proved to meet ε-local differential privacy.The effectiveness of the algorithm was comfirmed through experiments on synthetic datasets.

关键词

Keywords

references

DWORK C , . Differential p rivacy [C ] // ICALP,July 10-14,2006,Venice,Italy . Heidelberg:Springer , 2006 : 1 - 12 .

DWORK C , MCSHERRY F , NISSIM K , et al . Calibrating noise to sensitivity in private data analysis [C ] // TCC,March 4-7,2006,New York,USA . Heidelberg:Springer , 2006 : 265 - 284 .

DWORK C , . Differential privacy:a survey of results [C ] // TAMC,April 25-29,2008,Xi’an,China . Heidelberg:Springer , 2008 : 1 - 19 .

SWEENY L . K-anonymity:a model for protecting privacy [J ] . International Journal on Uncertainty,Fuzziness and Knowledge Based Systems , 2012 , 10 ( 5 ): 557 - 570 .

MACHANAVAJJHALA A , KIFER D , GEHRKE J , et al . L-diversity:privacy beyond K-anonymity [J ] . ACM Transactions on Knowledge Discovery from Data , 2007 , 1 ( 1 ):24.

KASIVISWANATHAN P S , LEEHK , NISSIM K , et al . What can we learn privately [C ] // FOCS,October 25-28,2008,Philadelphia,USA . Piscataway:IEEE Press , 2008 : 531 - 540 .

叶青青 , 孟小峰 , 朱敏杰 , 等 . 本地化差分隐私研究综述 [J ] . 软件学报 , 2018 , 29 ( 7 ): 1981 - 2005 .

YE Q Q , MENG X F , ZHU M J , et al . Survey on local differential privacy [J ] . Journal of Software , 2018 , 29 ( 7 ): 1981 - 2005 .

ERLINGSSON Ú , PIHUR V , KOROLOVA A . RAPPOR:randomized aggregatable privacypreserving ordinal response [C ] // CCS,November 3-7,2014,Scottsdale,USA . New York:ACM Press , 2014 : 1054 - 1067 .

KAIROUZ P , BONAWITZ K , RAMAGE D . Discrete distribution estimation under local privacy [J ] . Proceedings on Privacy Enhancing Technologies , 2016 : 84 - 104 .

BASSILY R , SMITH A . Local,private,efficient protocols for succinct histograms [C ] // STOC,June 14-17,2015,Portland,USA . New York:ACM Press , 2015 : 127 - 135 .

WARNER S L . Randomized response:a survey technique for eliminating evasive answer bias [J ] . Journal of the American Statistical Association , 1965 , 60 ( 309 ): 63 - 69 .

NGUYÊN T T , XIAO X K , YANG Y , et al . Collecting and analyzing data from smart device users with local differential privacy [J ] . Computer Science , 2016 ,arXiv:1606.05053

QIN Z , YANG Y , YU T , et al . Heavy hitter estimation over set-valued data with local differential privacy [C ] // CCS,October 24-28,2016,Vienna,Austria . New York:ACM Press , 2016 : 192 - 203 .

WANG N , XIAO X K , YANG Y , et al . Collecting and analyzing multidimensional data with local differential privacy [C ] // ICDE,April 8-11,2019,Macao,China . Piscataway:IEEE Press , 2019 : 638 - 649 .

DUCHI J C , WAINWRIGHT M J , JORDAN M I , et al . Minimax optimal procedures for locally private estimation [J ] . American Statistical Association , 2018 , 113 ( 521 ): 182 - 201 .

MCSHERRY F , . Privacy integrated queries:an extensible platform for privacy preserving data analysis [C ] // SIGMOD,June 29-July 2,2009,Providence,USA . New York:ACM Press , 2009 : 19 - 30 .

JOHNSON W B , LINDENSTRAUSS J . Extensions of Lipschitz mappings into a Hilbert space [J ] . Contemporary Mathematics , 1984 , 26 ( 189-206 ):1.

浏览量

600

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于区块链的感知数据交易隐私保护方案

联邦元学习综述

基于区块链与函数加密的隐私数据安全共享模型研究

联邦学习攻击与防御综述

联邦学习隐私保护研究进展