差分隐私

摘要： 针对基于随机投影的差分隐私算法中存在直接对降维数据直接添加噪声导致基于欧氏距离数据挖掘中数据可用性较差的问题,提出了一种基于奇异值分解的差分隐私算法。该算法首先对高维社交网络的数据利用随机投影进行降维,然后对降维后的数据进行奇异值分解并对奇异值加入高斯噪声,最后通过奇异值分解逆运算生成待发布矩阵。该算法利用的奇异值矩阵是一个仅有主对角线上有值的矩阵,值的个数为矩阵的秩,与直接对降维后的数据直接添加高斯噪声相比,对奇异值矩阵中的值添加高斯噪声能有效地降低噪声的加入量。理论证明该算法满足差分隐私,并设计了欧氏距离差实验和谱聚类实验用于分析算法的数据可用性,实验结果表明该算法的数据可用性高于基于奇异值分解的差分隐私算法。

摘要： 联邦学习这一类分布式机器学习技术旨在保证使用大数据进行机器学习训练时保护本地数据不泄露.然而一系列机器学习隐私攻击表明,即使不直接暴露本地数据,仅仅通过获取机器学习模型的参数就可以进行数据隐私的窃取.从训练时参与者和聚合端之间传递的中间模型到最后发布的聚合模型,联邦学习的模型发布过程存在诸多隐私威胁.由此出现了大量相关的保护技术,包括基于差分隐私以及基于密码学的联邦学习隐私保护技术.本文针对联邦学习本地模型和聚合模型发布过程中可能出现的各种隐私威胁和敌手模型进行了简要介绍,并且对相关的防御技术和研究成果进行系统性综述.同时也对相关技术在联邦学习隐私保护中的发展趋势进行了展望.

摘要： 如今,图数据已经被广泛地应用于现实生活与科学研究当中,有巨大的使用和研究价值.但与此同时,针对图数据的收集与发布中也存在巨大的隐私风险.如何在保护图隐私的同时,发布与收集可用图数据,是目前个人、企业、政府等面临的重大挑战.本文首先从隐私信息所包含的内容、不同的隐私泄露场景,以及敌手模型三个方面深入地剖析了图数据在使用中存在的隐私风险,然后重点从攻击和防御两个角度展开介绍.针对攻击而言,本文分析了当前可行的图数据隐私攻击与攻击量化算法及其算法原理.针对防御而言,本文总结了简单匿名、图修改、聚类,以及差分隐私四种图数据隐私防御技术;分析了集中与分布两种数据存储场景下,不同类型图数据使用的各类隐私防御算法,以及数据隐私性与可用性度量方法.最后本文综合已有的研究成果,指出了图数据上隐私保护研究当前存在的问题、面临的挑战,及未来的研究方向.

摘要： 信息技术和医疗健康信息化的不断发展使医疗数据大规模涌现,为数据分析、数据挖掘、智能诊断等更深层次的应用提供了条件。医疗数据集庞大且涉及大量病人隐私,如何在使用医疗数据的同时保护病人隐私极具挑战性。目前应用于医疗领域的隐私保护技术主要以匿名化技术为主,但当攻击者具有强大的背景知识时,此类方法无法兼顾数据集的隐私性和可用性。因此提出了一种优化分类树算法,并改进了Diffpart分区算法,以数据间关联性为前提,挑选出医疗集值数据集中的适当数据,利用差分隐私保护技术进行加噪处理,满足差分隐私干扰并支持统计查询。最后在24万余条真实医疗数据集上进行测试。实验结果表明,所提算法满足差分隐私分布,并且相比Diffpart算法具备更高的隐私性和效用。

摘要： 近年来,生成对抗网络(generative adversarial networks, GANs)技术研究成果呈指数级增长,生成对抗网络使用零和博弈论将2个相互竞争的神经网络结合起来,使其能够产生更加清晰、离散的输出.在计算机视觉、医疗、金融等领域的图像和视频处理及生成、数据集增强、时间序列预测等方面已取得重大进展.主要介绍了生成对抗网络的基本框架、理论以及实现过程,分析了近年来主流研究现状,通过回顾生成对抗网络变体及其应用场景列举了亟待改进的问题.此外,还着重讨论了如何采用生成对抗网络隐私措施与处理敏感数据,以及生成对抗网络技术在相关领域的未来发展趋势.

摘要： 推荐系统存在用户隐私安全性低、推荐服务质量差的问题。为此,文中提出一种基于差分隐私的个性化服务推荐算法DPk⁃median。该算法针对推荐系统服务器中生成的推荐列表,首先利用k⁃median聚类算法将推荐数据中具有相同属性的数据进行聚类;然后根据不同簇的风险级别,添加相应的拉普拉斯噪声机制,同一簇中的隐私预算参数是相同的,在保证隐私的前提下,可合理控制噪声的加入并提高噪声的利用率,保证推荐的质量损失减小,同时增加算法的执行效率。相关实验结果表明,与以往的基于差分隐私的个性化服务推荐系统相比,文中所提出的算法在保证系统安全性的同时,提高了服务推荐的质量和算法的执行效率。

摘要： 随着深度学习在各个领域的广泛应用,数据收集和训练过程中产生的隐私泄露问题已成为阻碍人工智能进一步发展的原因之一.目前已有很多研究将深度学习与同态加密或者差分隐私等技术结合以实现对深度学习中的隐私保护.从另一个角度尝试解决这个问题,即在一定程度上保证训练数据集隐私性的基础上,实现对训练数据计算节点的可追踪性.提出了一种基于差分隐私的可追踪深度学习分类器,结合差分隐私和数字指纹技术,在为训练数据集提供隐私保护的同时保证在出现非法传播的训练模型或者数据集时,能根据其中的指纹信息定位到问题训练节点.该分类器既能保证安全判定分类功能,又能保证指纹的不可感知性、鲁棒性、可信度和可行性等基本特征.从后续的公式推导、理论分析和在真实数据的仿真结果表明,该方案能够满足深度学习中对隐私信息的安全可追踪性的需求.

摘要： 针对权重社交网络差分隐私保护算法中噪声添加量过大以及隐私保护不均衡问题,提出了一种结合谱聚类算法与差分隐私保护模型的隐私保护算法SCDP。首先针对传统差分隐私保护算法直接向社交网络边权重添加噪声方式带来的噪声添加量过大的问题,结合谱聚类算法,将权重社交网络聚类成为不同的簇,对不同的簇采取随机添加噪声的方式,降低噪声的添加量,提高数据的可用性;其次设计新的隐私预算参数,根据社交网络边权重的大小决定噪声的添加量,实现更均衡的隐私保护;最后通过理论推导和实验证明了SCDP算法处理后的数据可用性更高。

摘要： 联邦学习可以在保证数据隐私安全及合法合规的基础上实现共同建模,但保证联邦学习模型发布的隐私性以及保证用户对模型的效用仍是亟待解决的问题.提出一种基于安全洗牌和差分隐私的联邦学习模型安全防护方法SFLSDP.联邦模型拥有者利用差分隐私技术对联邦学习的模型参数进行加噪声,生成带噪声的模型参数,之后利用用户授权密钥和安全洗牌算法加密模型参数,并将加密的联邦学习模型参数发送给用户;用户在本地使用联邦学习模型时,利用用户授权密钥和安全洗牌算法解密模型参数密文,得到带噪声的联邦学习模型,将自己的数据作为该模型的输入就能得到期望的输出结果.实验证明该方法可以保护原始学习模型的隐私性,同时获得较高的效用.

摘要： 差分隐私是能够提供严谨数学证明的隐私保护模型,针对传统差分隐私保护方法在混合型数据集中应用效果差、处理后破坏数据可用性等问题,提出一种面向混合型数据集自适应聚类的差分隐私保护算法。结合快速聚类及k-prototype聚类算法的特点,首先根据混合数据集的不同数据类型属性,采用不同的相异度计算方式实现对不同数据类型属性的距离计算;然后针对聚类后簇中心分别采用Laplace机制及指数机制进行分类处理,最后结合差分隐私的组合性质实现对混合型数据集的差分隐私保护。实验结果表明,该方法相较于传统方法处理混合型数据集时,在相同隐私预算下数据误差率下降15%,证明处理结果的可用性。在固定隐私预算下,改变初始聚类簇数,该方法的隐私保护程度能够达到96%,证明了该算法处理混合型数据集的有效性。

摘要： 频繁序列模式挖掘是数据挖掘领域的一个基本问题,然而,当数据集含有敏感信息时,发布频繁序列模式本身及其支持度计数都有可能泄露用户隐私信息.为此,本文提出了一种满足差分隐私的频繁序列模式挖掘算法DP-FSM.该算法结合向下封闭性质与智能截断方法从候选模式中挑选出频繁的序列模式;采用几何机制对所选出来的模式的真实支持度添加噪音扰动.除此之外,为了提高挖掘结果的可用性,本文设计了一个阈值修正的策略来减小由于截断序列数据库导致某些序列支持度损失而产生的截断误差,以及如果一个频繁序列模式被错误的标注为不频繁的模式,则它的任何超序列在不计算其支持度的情况下即被判定为不频繁的序列模式而导致的传播误差.实验结果证明了该算法具有较高的数据可用性.

摘要： 频繁项集挖掘是一项重要的数据挖掘任务,具有广泛的应用.然而,如果输入数据集中包含用户敏感信息,直接发布或分享挖掘结果可能会造成严重的个人隐私泄露.为了解决上述问题,提出了一种两阶段的满足差分隐私的频繁项集挖掘算法(记为TPFIM).在算法的第一阶段中,为了发现数据集中的频繁项集,提出了一种基于指数机制的频繁项集确定方法.在算法的第二阶段中,为了计算所发现的频繁项集的噪音支持度,提出了一种基于网格的噪音支持度计算方法.分析结果表明所提出的算法满足ε-差分隐私.实验结果表明,与现有算法相比,所提出的算法可以获得更好的数据效用.

摘要： 现有基于区间树结构的差分隐私直方图发布方法大多采用同方差的加噪方式,对其进一步研究可发现,若采用异方差的加噪策略,可进一步提升发布直方图的区间计数查询精度;然而,当前基于异方差加噪的差分隐私直方图发布方法对区间树结构却有着严格的要求,导致方法的灵活性与实用性较低.为此,提出一种异方差加噪下面向任意区间树结构的差分隐私直方图发布算法LUE-DPTree.算法首先根据区间计数查询的分布计算区间树中节点的覆盖概率,并据此分配各节点的隐私预算,从而实现异方差加噪;接着通过分析指出该异方差加噪策略适用于任意区间树结构下的差分隐私直方图发布,且从理论上进一步证明,对于任意区间树结构下基于异方差加噪的差分隐私直方图发布,仍然可在一致性约束下利用最优线性无偏估计进一步降低区间计数查询的误差.实验对算法LUE-DPTree所发布直方图数据的区间计数查询精度及算法效率与同类算法进行比较分析.实验结果表明,算法LUE-DPTree是有效可行的.

摘要： 现有绝大多数差分隐私算法只考虑数据的一次静态发布,而实际许多数据分析应用却涉及连续数据发布.为此,本文在深入分析连续数据发布问题的特点的基础上,结合矩阵机制的理论成果,提出一种基于矩阵机制的差分隐私连续数据发布方法.该方法的核心思想是首先利用树状数组构建连续数据发布问题的策略矩阵,然后利用策略矩阵的性质进行优化以提高发布数据的精确性,并针对现有基于矩阵机制的优化算法复杂度极高的问题,提出了时间复杂度为O(lgN)的快速对角阵优化算法FDA,可满足大规模连续数据发布的要求.实验对算法FDA所发布数据的精确度与同类算法进行比较分析.实验结果表明,算法FDA是有效可行的.

摘要： 频繁模式挖掘是分析事务数据集常用技术.然而,当事务数据集合有敏感数据时(如用户行为记录、电子病例等),直接发布频繁模式及其支持度计数会给个人隐私带来相当大的风险.对此提出了一种满足ε-差分隐私的top-k频繁模式挖掘算法DP-topkP(differentially private top-k pattern mining).该算法利用指数机制从候选频繁模式集合中挑选出top-k个携带真实支持度计数的模式;采用拉普拉斯机制产生的噪音扰动所选模式的真实支持度计数;为了增强输出模式的可用性,采用后置处理技术对topk个模式的噪音支持度计数进行求精处理.从理论角度证明了该算法满足ε-差分隐私,并符合(λ,δ)-useful要求.实验结果证明了DP-topkP算法具有较好的准确性、可用性和可扩展性.

摘要： 基于KD-树与差分隐私保护的空间数据分割得到了研究者的广泛关注,空间数据的大小与拉普拉斯噪音的多少直接制约着空间分割的精度.针对现有基于KD-树分割方法难以有效兼顾大规模空间数据与噪音量的不足,首先提出了一种满足差分隐私的KD-树分割方法SKD-Tree(Sampling-based KD-Tree),该方法利用满足差分隐私的伯努利随机抽样技术,抽取空间样本作为分割对象.然而,该方法却没有摆脱利用树高度控制拉普拉斯噪音.启发式设定合适的树高度非常困难,树高度过大,导致结点的噪音值过大;树高度过小,导致空间分割粒度太粗劣.为了弥补SKD-Tree方法的不足,提出了一种基于稀疏向量技术(Sparse Vector Technology,SVT)空间分割方法KD-TSS(KD-Tree with Sampling and SVT),该方法通过SVT判断树中结点是否继续分割,不再依赖KD-树高度来控制结点中的噪音值.SKD-Tree、KD-TSS与KD-Stand、KD-Hybrid在真实的大规模空间数据集上实验结果表明,其分割精度以及响应范围查询效果优于同类算法.

摘要： 隐私保护的多源数据分析是大数据分析的研究热点,从多方隐私数据中学习分类器具有重要应用.本文提出二阶段的隐私保护分析器模型.首先在本地使用具有隐私保护性的PATE-T模型对隐私数据训练分类器,然后集合多方分类器,使用迁移学习来迁移集合知识到全局分类器,建立一个准确的、具有差分隐私的全局分类器.该全局分类器无需访问任何一方隐私数据.实验结果表明,全局分类器不仅能够很好地诠释各个本地分类器,而且可以保护各方隐私训练数据的细节.

摘要： 文章从安防大数据特点的基础上出发,分析了安防大数据安全隐私的现状,提出了安防大数据安全隐私面临的挑战.

摘要： 文章从安防大数据特点的基础上出发,分析了安防大数据安全隐私的现状,提出了安防大数据安全隐私面临的挑战.

摘要： 文章从安防大数据特点的基础上出发,分析了安防大数据安全隐私的现状,提出了安防大数据安全隐私面临的挑战.

摘要： 本发明涉及一种基于差分隐私的位置隐私保护方法，属于安全技术领域。一、用户自定义其隐私偏好，采用决策树对车辆的位置进行隐私分级；二、将车辆位置的相关度与位置隐私进行比较，判断传感技术的测量误差是否满足用户的隐私偏好；三、假若测量误差满足隐私偏好，则向LBS发送测量位a置，若不满足，则根据用户的隐私等级对不同车辆的不同位置采取自适应的查分隐私保护方法。本方案综合考虑了下相同用户在不同位置以及不同用户在相同位置的隐私需求，再结合可以忽略攻击者的背景知识的差分隐私提出一种自适应的位置隐私保护方法，最后实验仿真表明，该隐私保护方法提高了基于位置隐私的服务精确度，用户位置的隐私保护强度增加。

摘要： 本发明公开了一种面向深度神经网络的基于差分隐私的域适应隐私保护方法。提出了一个新颖的深度网络框架，可以在实现域适应技术的同时保护数据隐私。由于在进行迁移学习的现实场景中，比如学校和医院，训练数据集通常是隐私的，而现如今并没有灵活的保护域适应技术隐私的方案，所以本发明有着很强的实用性。本发明使用对抗学习的思想进行域适应训练，并首次通过差分隐私对域适应训练过程进行隐私保护。实验结果表明本模型可以在合适的隐私消耗下以理想的准确率完成域适应任务。

摘要： 本发明公开了基于自适应本地差分隐私的群智感知数据流隐私保护方法，涉及群智感知网络技术领域，解决了现有技术无法保证多源群智感知数据流的安全性和可用性的技术问题；本发明包括：步骤1：基于自适应采样机制，自适应动态调整采样频率；步骤2：采用非线性隐私预算分配方法为不同采样点个性化分配隐私预算；步骤3：基于多重哈希的自适应桶划分方法，将高相关性的数据流划分到相同桶内；步骤4：提出自适应本地差分隐私机制，将桶内数据流进行随即应答扰动；基于差分隐私的特性，本发明扰动的满足ϵ‑本地差分隐私，在确保多源群智感知数据流的自适应保护的前提下，实现高数据可用性。

摘要： 本发明公开了一种基于差分隐私的分布式学习隐私保护方法，该方法应用于网络中n个用户节点，每个用户拥有自己独立分布的一组数据样本，并包括以下步骤：S1、初始化阶段；S2、用户节点本地学习阶段；步骤S3、用户节点获取邻居节点信息并更新阶段；步骤S4、加噪声扰动阶段；步骤S5、广播阶段。本发明能解决当前分布式学习中的隐私保护问题，使得用户节点通过邻居节点更新自己的本地参数，并将噪声处理过的参数发给邻居节点，从而在去中心化的网络环境下，能保护用户的个人敏感数据不遭泄露。

摘要： 本发明公开一种空间数据集的差分隐私的隐私保护方法，包括如下过程：将空间数据集映射处理到二维平面坐标系上；将空间数据集在二维平面坐标系上进行网格划分；根据空间数据集的分布特征对其进行按需分配隐私预算；将划分后的网格进行过滤和分桶处理来降低噪声误差；将处理后的网格进行添噪处理；将添噪后的数据集发布。本发明具有的有益效果：在满足差分隐私的情况下，实现降低噪声误差和提高数据集的可用性，从而提高查询精度。

摘要： 本发明公开了一种关键点差分隐私驱动的人脸图像隐私保护方法，首先进行数据预处理，构建关键点标识匿名空间；然后构建匿名人脸生成对抗网络结构，确定匿名人脸生成对抗网络优化目标函数；获得改进后的应用于匿名人脸关键点标识的差分隐私算法；最后通过预处理后的数据集，对匿名人脸生成对抗网络进行训练，输出最终结果。本方法对图像中人脸的面部关键点结构进行修改实现人脸身份匿名，取得了更好的数据可用性和视觉效果，在生成图像质量上更高，能够保持原本的非身份属性，且不需要使用任何属性标签。

摘要： 本发明公开了一种满足个性化隐私预算分配的差分隐私数据发布方法，包括：步骤一、根据数据集中属性的敏感级别，通过互信息与属性对敏感属性进行分级；步骤二、构造隐私预算划分二部图，对不同级别的敏感属性匹配相应的隐私预算；步骤三、对原始数据集进行聚类，通过敏感属性分配的隐私预算，对聚类中心值进行差分隐私保护，生成满足差分隐私的待发布数据集。通过对数据集中属性的敏感级别进行分级，第不同级别敏感属性进行隐私预算分配，再通过改进的k‑prototype算法对原始数据集进行聚类，对每个簇中聚类中心进行差分隐私保护，生成满足差分隐私的待发布数据集，满足多种查询要求。

摘要： 本发明提供了一种基于本地差分隐私的K‑prototypes聚类数据隐私保护方法，该方法首先在用户端采用本地差分隐私技术对混合型数据进行扰动，确保服务端无法获得用户的真实数据，然后通过服务端与用户端的交互迭代完成K‑prototypes聚类。该方法实现了对K‑prototypes聚类过程中用户数据隐私的去第三方保护，并且它的实现过程简单、易操作。

摘要： 本发明公开了一种基于差分隐私的分布式隐私保护频繁项集挖掘方法及系统，所述方法包括：选择中心节点U

摘要： 本发明公开了基于自适应本地差分隐私的群智感知数据流隐私保护方法，涉及群智感知网络技术领域，解决了现有技术无法保证多源群智感知数据流的安全性和可用性的技术问题；本发明包括：步骤1：基于自适应采样机制，自适应动态调整采样频率；步骤2：采用非线性隐私预算分配方法为不同采样点个性化分配隐私预算；步骤3：基于多重哈希的自适应桶划分方法，将高相关性的数据流划分到相同桶内；步骤4：提出自适应本地差分隐私机制，将桶内数据流进行随即应答扰动；基于差分隐私的特性，本发明扰动的满足ϵ‑本地差分隐私，在确保多源群智感知数据流的自适应保护的前提下，实现高数据可用性。