[论文解读] Privacy for the Protected (Only)

Michael Kearns, Aaron Roth+2 more|arXiv (Cornell University)|May 31, 2015

Privacy-Preserving Technologies in Data参考文献 4被引用 6

一句话总结

本文提出了一种新颖的隐私模型，仅保护指定子群体（例如非恐怖分子或未感染者）的隐私，同时在社交网络中实现对高风险个体（例如恐怖分子或感染者）的定向搜索。该模型提出了一组差分隐私算法——Private Search (PTarget)，通过注入校准噪声的噪声图搜索方法，识别目标，同时通过校准噪声注入确保受保护个体的隐私，具备形式化的隐私保障，基于受保护的差分隐私。

ABSTRACT

Motivated by tensions between data privacy for individual citizens, and societal priorities such as counterterrorism and the containment of infectious disease, we introduce a computational model that distinguishes between parties for whom privacy is explicitly protected, and those for whom it is not (the targeted subpopulation). The goal is the development of algorithms that can effectively identify and take action upon members of the targeted subpopulation in a way that minimally compromises the privacy of the protected, while simultaneously limiting the expense of distinguishing members of the two groups via costly mechanisms such as surveillance, background checks, or medical testing. Within this framework, we provide provably privacy-preserving algorithms for targeted search in social networks. These algorithms are natural variants of common graph search methods, and ensure privacy for the protected by the careful injection of noise in the prioritization of potential targets. We validate the utility of our algorithms with extensive computational experiments on two large-scale social network datasets.

研究动机与目标

• 解决社会需求（例如反恐、疾病控制）与个人隐私权利之间的张力。
• 开发能够识别社交网络中高风险个体的算法，同时不损害受保护个体的隐私。
• 在保持对受保护个体强隐私保障的前提下，最小化昂贵的识别机制（例如监控、检测）的使用。
• 形式化一种隐私保护仅适用于特定子群体而非所有个体的模型。
• 提供基于噪声注入图遍历方法的、可证明私密的网络目标搜索算法。

提出的方法

• 引入一种新的隐私模型——受保护的差分隐私，其中隐私保障仅适用于指定的受保护子群体。
• 提出两个核心原原子：SFS（针对组件的搜索）用于识别目标节点的连通组件，以及SearchCom用于在目标子群体中寻找新的种子节点。
• 在搜索阶段使用Report Noisy Max机制并注入拉普拉斯噪声，以确保ε/2-差分隐私。
• 对满足阈值的受保护节点数量应用后处理和噪声注入（通过拉普拉斯分布），确保ε/2-差分隐私。
• 通过组合SFS和SearchCom，在迭代算法（PTarget）中交替执行已知组件的扩展和新种子的查找。
• 利用组合定理证明，完整算法满足(k−1)ε-受保护差分隐私，以及(2√(2(k−1)ln(1/δ))ε, δ)-受保护差分隐私。

实验结果

研究问题

• RQ1 我们能否设计出在社交网络中保护非目标个体隐私的同时仍能识别高风险个体的定向搜索算法？
• RQ2 如何在不将相同保护扩展至所有个体的前提下，正式保障受保护子群体的隐私？
• RQ3 在定向网络分析中，隐私、效用与成本（例如所需调查次数）之间的权衡是什么？
• RQ4 我们能否仅通过标准图搜索算法的轻微修改，实现强隐私保障？
• RQ5 在节点优先级排序中使用噪声，如何影响目标发现的准确性和完整性？

主要发现

• 所提出的PTarget算法实现了(k−1)ε-受保护差分隐私，其中k为算法旨在识别的最大不相交组件数。
• 即使在积极搜索目标子群体时，该算法也能确保受保护个体的隐私不被泄露。
• 在两个大规模社交网络（DBLP和另一网络）上的计算实验验证了该方法的效用，显示在最小隐私泄露下实现了有效的目标发现。
• 通过Report Noisy Max和拉普拉斯噪声实现的节点优先级排序中的噪声使用，能够在不显著降低搜索性能的前提下，实现强隐私保障。
• SFS和SearchCom阶段的组合使算法能够迭代发现目标个体的多个连通组件。
• 理论分析证实，SFS和SearchCom均具备差分隐私性，且在受保护差分隐私框架下，其组合能保持隐私保障。