基于模式感知进行隐私保护的数据采集（二）

模式感知隐私保护实时数据采集

面向模式感知的隐私保护实时数据采集

摘要

尽管用户提供的时序数据可以服务于多种应用场景，但这些数据可能暴露用户的隐私信息。近期，本地差分隐私（LDP）作为一种新兴的数据隐私保护技术被提出，其核心思想是在数据外包前通过在本地添加噪声来保障隐私。然而，目前基于LDP的多数方法对每个数据点独立添加扰动，未充分考虑时间序列中相邻数据点之间的关联性。这种处理方式可能导致时间序列中的关键特征被破坏，从而显著降低数据的实用性。本文聚焦于在诚实但好奇的服务器环境下进行实时数据采集的问题，并提出了一种新型的模式感知隐私保护机制——PatternLDP，在确保用户隐私的同时保留时间序列中的关键模式。具体而言，我们并未对每个数据点实施统一的隐私保护强度，而是仅针对时间序列中具有代表性的关键点进行采样，并根据其对局部模式的影响程度进行自适应扰动。为此，我们设计了一种基于分段线性逼近的模式感知采样策略，用于判断当前数据点是否需要被采样与扰动。为了缓解扰动带来的模式失真问题，我们引入了一种基于重要性的随机化机制，在兼顾隐私与效用的前提下实现对采样数据的局部自适应扰动。此外，我们还提出一种新的基于度量的w-事件隐私指标，用于评估具有丰富模式的时间序列所获得的隐私保护水平。实验结果表明，在真实数据集上PatternLDP能够满足上述隐私保障要