一种满足个性化差分隐私的多方垂直划分数据合成机制

当今时代,随着大数据技术的飞速发展和数据量的持续增加,大量数据不断被不同的公司或者机构收集,把来自不同公司或机构的数据聚合起来并发布,有助于更好地提供服务、支持决策。然而他们各自的数据中可能包含敏感程度不同的隐私信息,所以在聚合发布各方数据时需要满足个性化隐私保护要求。针对个性化隐私保护的多方数据聚合发布问题,该文提出满足个性化差分隐私的多方垂直划分数据合成机制(PDP-MVDS)。该机制通过生成低维边缘分布实现对高维数据的降维,用低维边缘分布更新随机初始的数据集,最终发布和各方的真实聚合数据集分布近似的合成数据集;同时通过划分隐私预算实现个性化差分隐私保护,利用安全点积协议和门限Paillier加密保证各方数据在聚合过程中的隐私性,利用分布式拉普拉斯机制有效保护了多方聚合边缘分布的隐私。该文通过严格的理论分析证明了PDP-MVDS能够确保每个参与方数据和发布数据集的安全。最后,在公开数据集上进行了实验评估,实验结果表明PDP-MVDS机制能够以低开销生成高效用的多方合成数据集。

满足差分隐私的多方水平划分数据合成机制

隐私保护的多方数据发布问题因其应用前景广泛而备受关注。针对隐私保护的多方数据发布问题,提出满足差分隐私的多方水平划分数据合成机制DP-MHDS。通过生成低维边缘分布实现对高维数据的降维,利用分布式拉普拉斯机制有效保护了多方聚合边缘分布的隐私。实验结果证实了DPMHDS能够生成高效用的多方合成数据集。