龔晨

摘要：隱私保護是現(xiàn)代信息安全領(lǐng)域一項重要的技術(shù)。針對傳統(tǒng)局部差分隱私以拉普拉斯來實現(xiàn)輸出擾動，但其對攻擊者來說，保護效果會存在一定不足。本文采用隨機響應(yīng)方式對原始數(shù)據(jù)集進行擾動，從原始數(shù)據(jù)入手，較好提升隱私保護力度。并對隱私保護的重要參數(shù)ε的選取，提出一種新的數(shù)據(jù)模型，用來計算和確定ε的值。通過實驗表明，本文算法的保護性能優(yōu)于傳統(tǒng)隱私保護方法。

關(guān)鍵詞： 隱私保護;隨機響應(yīng);數(shù)據(jù)模型

中圖分類號： TP391? ? ? ? 文獻標(biāo)識碼：A

文章編號：1009-3044（2019）21-0040-02

開放科學(xué)（資源服務(wù)）標(biāo)識碼（OSID）：

Abstract： Privacy protection is an important technology in the field of modern information security. For traditional local differential privacy， Laplace is used to achieve output disturbance， but for the attacker， the protection effect will be insufficient. This paper uses the random response method to perturb the original data set， starting from the original data， and better improving the privacy protection. A new data model is proposed for the selection of the important parameter ε of privacy protection， which is used to calculate and determine the value of ε. Experiments show that the protection performance of the proposed algorithm is better than the traditional privacy protection method.

Key words： privacy protection; random response; data model

在20世紀90年代，隱私保護技術(shù)起源于Massachusetts選民登記表中的健康信息。差分隱私適應(yīng)傳統(tǒng)隱私保護技術(shù)的不足發(fā)展起來[1]。傳統(tǒng)隱私要假定場景，需要干擾者的各方面背景知識，而差分隱私不需關(guān)心干擾者的任何背景知識，且能保證隱私信息的任何一條記錄都不會泄露。局部差分隱私作為差分隱私必不可少的一部分，控制參數(shù)ε合理情況下，可以有效保護敏感數(shù)據(jù)隱私[2]。

差分隱私研究工作已經(jīng)成為研究的熱點。其中Albarghouthi等人[3]提出一種按鈕形式的自動化技術(shù)，驗證復(fù)雜隨機化算法對敏感數(shù)據(jù)保護能力。同時提出基于約束的隱私問題表達式，解決了模耦合約束問題，提高了隱私力度，但未考慮參數(shù)ε的具體問題，局部差分隱私的優(yōu)越性也未利用。Zhang等人[4]提出基于續(xù)航式的差分隱私方案，解決數(shù)據(jù)共存導(dǎo)致敏感數(shù)據(jù)信息泄露的問題，提高隱私保護能力，然而就參數(shù)ε而言未考慮，局部隱私的好處也沒有展現(xiàn)出來。為解決上述問題，本文提出新型局部差分隱私方案，控制參數(shù)ε的具體取值，增強隱私保護力度。

1 本文隱私保護工作

1.1隨機響應(yīng)機制

通過表1說明隨機響應(yīng)是如何實現(xiàn)差分隱私保護的。假設(shè)有五個某公司職員元祖數(shù)據(jù)，每個職員有姓名（Name）、年齡（Age）、工資（Salary）以及職務(wù)（Career）四個屬性，現(xiàn)攻擊者除了不知道Tom的工資外，已經(jīng)了解其他所有數(shù)據(jù)。為獲取Tom的工資數(shù)據(jù)，Attacker通過發(fā)送語句F：select Salary from table1 where Name=Tom。

如若對攻擊者發(fā)出的查詢語句不加任何干擾，則該查詢語句會返回Tom職員的真實工資數(shù)據(jù)，導(dǎo)致數(shù)據(jù)泄露。隨機響應(yīng)擾動的原理是：當(dāng)攻擊者在使用查詢語句查詢之前，利用隨機擾動法對Name屬性的五個職員名字進行小概率的交換位置。

1.2? 參數(shù)ε選取模型

式（1）中，F(xiàn)（T1）和F（T2）分別為真實查詢結(jié)果、隨機響應(yīng)擾動后查詢結(jié)果，T1和T2分別為隨機擾動前后的原始數(shù)據(jù)集。定位查詢語句F的敏感度ΔF為：

原始的ε參數(shù)計算公式為：

為減少ε所依賴的參數(shù)，并使其不再與數(shù)據(jù)集本身相關(guān)，從而降低其值所受干擾程度，本文提出一種新的計算ε的模型公式，在明確了隨機響應(yīng)干擾率pr、查詢語句敏感度ΔF以及攻擊者攻擊成功率λ后，即可得出ε的值，計算如下：

2 實驗結(jié)果與分析

本文實驗數(shù)據(jù)集采用Adult數(shù)據(jù)集，使用本文提出的新型局部差分隱私保護方法與傳統(tǒng)的方法相比較，得出其在成人數(shù)據(jù)集上對于屬性的保護率以及攻擊成功率。實驗結(jié)果如表2所示。

由上表2數(shù)據(jù)分析可知，本文采用隨機響應(yīng)干擾機制結(jié)合一種新的ε參數(shù)計算公式，對成人數(shù)據(jù)集的屬性保護率比傳統(tǒng)的局部差分隱私方法要高，攻擊者通過查詢語句獲得正確的數(shù)據(jù)可能性較低。因而對于攻擊者來說，攻擊成功率下降了，對于數(shù)據(jù)庫來說，本文提出新的局部差分隱私保護算法擁有更高效的保護性能。

3 結(jié)論

傳統(tǒng)的局部差分隱私使用拉普拉斯對攻擊者查詢結(jié)果進行擾動，但對于先驗知識較高的攻擊者而言，容易估算出真實數(shù)據(jù)，并為降低原始的ε參數(shù)與數(shù)據(jù)集耦合性，本文提出一種新的局部差分隱私方法。利用隨機響應(yīng)機制直接對原始數(shù)據(jù)集進行干擾，并給出一種新的ε參數(shù)計算模型。通過實驗證明，其對于數(shù)據(jù)的保護能力優(yōu)于原始的局部差分隱私。

參考文獻：

[1] 陳麗麗. 大數(shù)據(jù)安全與隱私保護[J]. 現(xiàn)代工業(yè)經(jīng)濟和信息化， 2017，7（04）：92-93.

[2] 高志強， 王宇濤. 差分隱私技術(shù)研究進展[J]. 通信學(xué)報， 2017，38（S1）：151-155.

[3] Albarghouthi A， Hsu J. Synthesizing Coupling Proofs of Differential Privacy[J]. Proceedings of the ACM on Programming Languages， 2017，2（POPL）：1-30.

[4] Zhang Z， Zhan Q， Zhu L， et al. Cost-friendly Differential Privacy for Smart Meters： Exploiting the Dual Roles of the Noise[J]. IEEE Transactions on Smart Grid， 2017，（99）：1.

【通聯(lián)編輯：唐一東】