[论文解读] A Comprehensive Survey on Local Differential Privacy Toward Data Statistics and Analysis in Crowdsensing.

Teng Wang, Xuefeng Zhang+2 more|arXiv (Cornell University)|Oct 11, 2020

Privacy-Preserving Technologies in Data参考文献 165被引用 5

一句话总结

本综述全面概述了用于众包感知中隐私保护数据收集与分析的本地差分隐私（LDP）。它系统性地考察了LDP模型、频率、均值和机器学习任务的机制，以及实际应用，为理解LDP在保护用户隐私的同时实现精确统计分析中的作用提供了统一框架。

ABSTRACT

Collecting and analyzing massive data generated from smart devices have become increasingly pervasive in crowdsensing, which are the building blocks for data-driven decision-making. However, extensive statistics and analysis of such data will seriously threaten the privacy of participating users. Local differential privacy (LDP) has been proposed as an excellent and prevalent privacy model with distributed architecture, which can provide strong privacy guarantees for each user while collecting and analyzing data. LDP ensures that each user's data is locally perturbed first in the client-side and then sent to the server-side, thereby protecting data from privacy leaks on both the client-side and server-side. This survey presents a comprehensive and systematic overview of LDP with respect to privacy models, research tasks, enabling mechanisms, and various applications. Specifically, we first provide a theoretical summarization of LDP, including the LDP model, the variants of LDP, and the basic framework of LDP algorithms. Then, we investigate and compare the diverse LDP mechanisms for various data statistics and analysis tasks from the perspectives of frequency estimation, mean estimation, and machine learning. What's more, we also summarize practical LDP-based application scenarios. Finally, we outline several future research directions under LDP.

研究动机与目标

• 为众包感知环境中本地差分隐私（LDP）提供系统性且理论性的基础。
• 对频率估计、均值估计和机器学习等关键数据分析任务中的LDP机制进行分类与比较。
• 总结LDP在实际众包感知场景中的真实世界应用。
• 识别并概述LDP研究中的开放挑战与未来研究方向。

提出的方法

• 本文构建了LDP模型的理论框架，包括其形式化定义及客户端数据扰动的核心原则。
• 对LDP的变体（如纯LDP与近似LDP）进行分类与分析，并探讨其在隐私与效用之间的权衡。
• 审查并比较专为频率估计、均值估计和机器学习工作负载设计的LDP机制，强调其设计原则与性能表现。
• 基于其隐私-效用权衡评估支持性机制，包括随机响应和高级扰动技术。
• 对LDP在实际应用中的部署进行结构化分析，例如在移动众包感知平台中的数据收集。
• 综合现有研究以识别研究空白，并提出LDP未来研究方向，包括可扩展性与鲁棒性。

实验结果

研究问题

• RQ1 本地差分隐私如何在去中心化的数据收集系统中确保强隐私保障？
• RQ2 针对频率、均值和机器学习任务的LDP机制之间存在哪些关键差异与权衡？
• RQ3 LDP机制在实际众包感知应用中如何平衡隐私保护与数据效用？
• RQ4 在现实世界部署中，针对特定统计分析工作负载，哪些基于LDP的机制最为有效？
• RQ5 为推进大规模众包感知中LDP的可扩展性、效率与鲁棒性，哪些未来研究方向至关重要？

主要发现

• 该综述建立了统一的理论框架以理解LDP，阐明了其通过客户端扰动保护用户数据的作用。
• 用于频率估计的LDP机制（如随机响应及其优化变体）在实践中实现了强隐私保护与可接受的效用。
• 在均值估计方面，基于LDP的方法通过噪声校准与自适应扰动策略显著提升了准确性。
• 在机器学习中，LDP支持隐私保护的模型训练与推理，尽管在模型准确率与收敛速度方面存在显著权衡。
• 在移动众包感知中已验证LDP的实际应用，其可在保护个体隐私的同时实现准确的数据聚合。
• 本文识别出可扩展性、噪声累积与系统效率等关键挑战，认为其是未来研究的关键领域。