科研之友
微信
新浪微博
Facebook
分享链接
摘要
差分隐私作为当前有效的隐私保护机制之一,得到广泛的应用。目前已有多种算法用来生成满足差分隐私的静态直方图,但针对实时数据流环境下的直方图的发布方法却很少,且没有较好地均衡噪声误差和数据可用性。针对实时数据流实时性高、连续性强、以及数据规模大等特点,文中提出了面向数据流的差分隐私直方图发布方法 DDHP(Histogram Publication of Dynamic Data),该方法基于滑动窗口模型实时处理新到达数据,并采用距离测度的方法衡量相邻两个时间戳的数据相似性,以此来动态地分配隐私预算。通过比较L1、余弦、马氏距离在真实数据集上的应用的有效性,选择最优测度。DDHP采用BA(Budget Absorption)机制动态合理分配隐私预算,避免隐私预算过早耗尽或剩余,在提高数据可用性的同时降低了算法的发布误差。实验结果表明,DDHP算法是有效可行的。
