[论文解读] Differential Privacy Techniques for Cyber Physical Systems: A Survey

Muneeb Ul Hassan, Mubashir Husain Rehmani+1 more|arXiv (Cornell University)|Dec 6, 2018

Privacy-Preserving Technologies in Data参考文献 339被引用 21

一句话总结

本综述全面分析了在信息物理系统（CPS）中应用差分隐私（DP）技术以保护数据的现状，重点关注能源、交通、医疗保健和工业物联网等应用领域。研究表明，DP通过添加噪声的机制可在计算开销较低的情况下提供强有力的隐私保障，同时指出了在隐私-效用权衡以及与区块链和边缘计算等新兴技术集成方面面临的关键挑战。

ABSTRACT

Modern cyber physical systems (CPSs) has widely being used in our daily lives because of development of information and communication technologies (ICT).With the provision of CPSs, the security and privacy threats associated to these systems are also increasing. Passive attacks are being used by intruders to get access to private information of CPSs. In order to make CPSs data more secure, certain privacy preservation strategies such as encryption, and k-anonymity have been presented in the past. However, with the advances in CPSs architecture, these techniques also needs certain modifications. Meanwhile, differential privacy emerged as an efficient technique to protect CPSs data privacy. In this paper, we present a comprehensive survey of differential privacy techniques for CPSs. In particular, we survey the application and implementation of differential privacy in four major applications of CPSs named as energy systems, transportation systems, healthcare and medical systems, and industrial Internet of things (IIoT). Furthermore, we present open issues, challenges, and future research direction for differential privacy techniques for CPSs. This survey can serve as basis for the development of modern differential privacy techniques to address various problems and data privacy scenarios of CPSs.

研究动机与目标

• 应对由于数据收集增加和系统架构复杂化而带来的CPS中日益严重的隐私威胁。
• 评估传统隐私保护技术（如加密和k-匿名）在CPS环境下的局限性。
• 确立差分隐私作为CPS数据保护的一种稳健且具有坚实数学基础的替代方案。
• 综述DP在能源系统、交通、医疗保健和工业物联网四个关键CPS领域中的实施情况。
• 识别DP在CPS环境中进一步提升所面临的开放性挑战与未来研究方向。

提出的方法

• 系统性地调研应用于CPS应用中的差分隐私技术，包括实时数据、雾计算和传感器网络。
• 应用噪声注入机制（如拉普拉斯分布、正态分布）在保护敏感数据的同时保持数据效用。
• 通过可调节的隐私参数ε，在各种CPS工作负载中评估DP的隐私-效用权衡。
• 将DP与新兴技术（如区块链）集成，以实现安全、去中心化的数据共享。
• 运用博弈论建模并优化多智能体CPS环境中隐私-效用权衡。
• 分析DP在资源受限的CPS环境（如边缘计算和雾计算）中的计算效率与可扩展性。

实验结果

研究问题

• RQ1 如何有效应用差分隐私以保护跨多样化领域的信息物理系统中的敏感数据？
• RQ2 在CPS应用中，平衡数据效用与隐私保护的关键挑战是什么？
• RQ3 传统隐私技术（如加密和k-匿名）在现代CPS环境中为何表现不足？
• RQ4 差分隐私在智能电网、电子健康系统和工业物联网部署中可发挥何种作用以保障数据安全？
• RQ5 如何将差分隐私与区块链和边缘计算等新兴技术集成，以增强CPS的安全性？

主要发现

• 与加密和匿名化相比，差分隐私在计算开销较低的情况下提供了强大且可数学证明的隐私保障。
• 通过隐私参数ε，利用拉普拉斯或正态分布机制进行噪声注入，可实现对隐私-效用权衡的精细控制。
• 传统技术如k-匿名无法确保完全隐私，尤其在高维数据集中存在重识别风险。
• 差分隐私在保护智能电网、电子健康系统和车载网络中的实时数据方面尤为有效。
• 将差分隐私与区块链集成可增强去中心化CPS环境中交易的隐私性。
• 未来研究应聚焦于将DP与博弈论及机器学习结合，以优化多智能体CPS系统中的隐私-效用权衡。