面向数据流发布的数据自适应隐私保护机制

群智感知系统中针对数据流的实时发布和深度学习在极大方便人们日常生活的同时,也严重威胁了参与用户的隐私信息.现有隐私保护机制在处理动态性强、时空相关性复杂的数据流时,大都难以实现数据自适应性,从而导致较低的数据效用性.因此,基于ω-事件级差分隐私,本文提出了一种数据自适应的多维数据流隐私保护实时发布机制AdaPub.该机制通过集成基于多重哈希的维度划分策略和自适应累积回溯时间聚类策略分别学习数据流的空间和时间相关性,不需要预定义任何参数,能够根据数据流的动态变化趋势来自适应地调整隐私参数,从而保证了隐私保护机制的数据自适应性并有效提高了数据效用性.此外,本文进一步提出了一种面向层次数据流发布的隐私保护机制HierAdaPub,利用最优隐私预算分配策略来最小化扰动方差以保证数据效用性.大量仿真实验从不同角度均验证了所提出隐私保护机制能够在提供强隐私保护的同时,具有较高的数据效用性.

基于差分隐私的数据流频繁项集发布

针对数据流频繁项集发布中的隐私保护问题,提出隐私保护数据流频繁项集发布方法DP_DFIM。设计自适应的w-动态滑动窗口协议,实现发布精度独立于w值;利用频繁项信息进行事务截断,引入负项概念,最大化保留事务中的频繁项集,降低截断误差;在此基础上,提出隐私保护数据流频繁项集发布方法DP_DFIM,兼顾数据流隐私和数据流频繁项集可用性。设计实验验证DP_DFIM算法发布的项集能在满足差分隐私的前提下保证项集及其计数的准确性。