[论文解读] An Efficient Privacy-Preserving Algorithm based on Randomized Response in IoT-based Smart Grid

Hui Cao, Shubo Liu+4 more|arXiv (Cornell University)|Apr 9, 2018

Privacy-Preserving Technologies in Data参考文献 33被引用 8

一句话总结

本文提出了一种面向基于物联网的智能电网的批量优化、差分隐私保护算法，结合稀疏编码与随机响应技术。通过在边缘节点中从聚合的用电数据构建行为特征字典，并应用经典随机响应技术注入噪声，该方法在保证强隐私性的同时实现了高数据效用，相较于现有方法在智能电网应用中的批量数据处理效率与可扩展性方面表现更优。

ABSTRACT

Among existing privacy-preserving approaches, Differential Privacy (DP) is a powerful tool that can provide privacy-preserving noisy query answers over statistical databases and has been widely adopted in many practical fields. In particular, as a privacy machine of DP, Randomized Aggregable Privacy-Preserving Ordinal Response (RAPPOR) enables strong privacy, efficient, and high-utility guarantees for each client string in data crowdsourcing. However, as for Internet of Things(IoT), such as smart gird, data are often processed in batches. Therefore, developing a new random response algorithm that can support batch-processing tend to make it more efficient and suitable for IoT applications than existing random response algorithms. In this paper, we propose a new randomized response algorithm that can achieve differential-privacy and utility guar-antees for consumer's behaviors, and process a batch of data at each time. Firstly, by applying sparse coding in this algorithm, a behavior signature dictionary is created from the aggregated energy consumption data in fog. Then, we add noise into the behavior signature dictionary by classical randomized response techniques and achieve the differential privacy after data re-aggregation. Through the security analysis with the principle of differential privacy and experimental results verification, we find that our Algorithm can preserve consumer's privacy with-out comprising utility.

研究动机与目标

• 解决现有随机响应算法在物联网智能电网中常见的批量处理场景下效率低下的问题。
• 在保持高数据效用以支持统计分析的同时，保护用户用电数据的隐私。
• 设计一种适用于大规模智能电网部署中边缘计算环境的可扩展解决方案。
• 将稀疏编码与差分隐私技术相结合，以提升特征表示与噪声注入的性能。
• 通过安全分析与实证评估验证该方法在隐私-效用权衡方面的表现。

提出的方法

• 在边缘计算层中，利用稀疏编码从聚合的用电数据中构建行为特征字典。
• 应用经典随机响应技术向行为特征字典注入噪声，以确保差分隐私。
• 在噪声注入后执行数据重新聚合，以在保护个体隐私的同时维持数据效用。
• 利用稀疏字典的结构特性降低噪声方差，从而提升数据效用。
• 基于差分隐私原理，对所有客户端数据的隐私保障进行形式化验证。
• 将该算法集成至基于边缘的架构中，以支持物联网数据的高效、可扩展批量处理。

实验结果

研究问题

• RQ1 能否对基于随机响应的算法进行优化，以提升其在物联网智能电网批量处理场景下的效率？
• RQ2 稀疏编码如何在保护隐私的同时增强用户用电行为的表示能力？
• RQ3 在批量处理的用电数据中，隐私保障与数据效用之间的权衡关系如何？
• RQ4 在边缘计算环境中，通过随机响应注入的噪声是否能在数据重新聚合后仍保持高数据效用？
• RQ5 与现有差分隐私技术相比，该方法在隐私-效用平衡与计算效率方面表现如何？

主要发现

• 所提算法通过基于随机响应原理的正式分析，实现了强差分隐私保障。
• 将稀疏编码与噪声注入相结合，通过降低噪声响应的方差，显著提升了数据效用。
• 该方法支持高效批量处理用电数据，适用于大规模智能电网部署。
• 实验结果表明，该算法在保持高数据效用的同时有效保护了用户隐私，在效用指标上优于传统方法。
• 基于边缘的架构降低了通信开销，提升了物联网环境中实时数据处理的可扩展性。
• 安全分析表明，该方法能有效抵御推理攻击，确保从公开数据中无法重构出个体用户的行为。