[论文解读] L-SRR: Local Differential Privacy for Location-Based Services with Staircase Randomized Response

Han Wang, Hanbin Hong+3 more|arXiv (Cornell University)|Sep 29, 2022

Privacy-Preserving Technologies in Data被引用 5

一句话总结

该论文提出L-SRR，首个基于新颖阶梯随机响应（SRR）机制的本地差分隐私（LDP）框架，用于位置服务，显著提升了现有LDP方法的实用性。通过扩展经验估计并集成私有匹配与私有信息检索，L-SRR在严格满足ϵ-LDP的前提下，实现了高精度的位置分析——如交通密度估计和k-最近邻分析，在真实数据集上的表现优于先前方案。

ABSTRACT

Location-based services (LBS) have been significantly developed and widely deployed in mobile devices. It is also well-known that LBS applications may result in severe privacy concerns by collecting sensitive locations. A strong privacy model ''local differential privacy'' (LDP) has been recently deployed in many different applications (e.g., Google RAPPOR, iOS, and Microsoft Telemetry) but not effective for LBS applications due to the low utility of existing LDP mechanisms. To address such deficiency, we propose the first LDP framework for a variety of location-based services (namely ''L-SRR''), which privately collects and analyzes user locations with high utility. Specifically, we design a novel randomization mechanism ''Staircase Randomized Response'' (SRR) and extend the empirical estimation to significantly boost the utility for SRR in different LBS applications (e.g., traffic density estimation, and k-nearest neighbors). We have conducted extensive experiments on four real LBS datasets by benchmarking with other LDP schemes in practical applications. The experimental results demonstrate that L-SRR significantly outperforms them.

研究动机与目标

• 为解决现有本地差分隐私（LDP）机制在位置服务（LBS）中实用性差的问题，当前方法难以在隐私与准确性之间取得平衡。
• 设计一种专为空间数据定制的新LDP机制，确保严格满足ϵ-LDP的同时，最大化实际LBS应用中的实用性。
• 将SRR机制扩展以支持轨迹收集，并与私有计算原原子如私有匹配和私有信息检索（PIR）集成，实现端到端满足LDP的LBS。
• 在真实世界LBS数据集上实证验证该框架，证明其在关键LBS工作负载中优于最先进LDP方案的性能。
• 提供一个可部署、高效的LDP框架，适用于不可信服务器，支持常见LBS任务并具备强隐私保障。

提出的方法

• 提出阶梯随机响应（SRR），一种新颖的随机化机制，通过形状如阶梯的分段常数概率分布，泛化传统随机响应，以更好地建模空间位置扰动。
• 引入一种增强的经验估计技术，降低位置频率估计中的偏差与方差，显著提升基于LDP的分析实用性。
• 设计一种分组划分策略，以减小位置数据的定义域大小，实现高效的离线预处理，并降低SRR的计算成本。
• 将SRR与私有匹配及私有信息检索（PIR）集成，以在严格满足ϵ-LDP的前提下，支持如k-最近邻和源-目的地分析等复杂LBS工作负载。
• 采用两阶段架构：离线预处理（定义域划分与SRR参数校准）和在线数据收集（本地扰动与服务端聚合）。
• 使用分层位置定义域分解，以平衡隐私预算分配与实用性，最小化扰动过程中的信息损失。

实验结果

研究问题

• RQ1 能否设计一种专为空间数据定制的新LDP机制，在实用性上优于现有随机响应与一元编码方案，同时保持严格的ϵ-LDP？
• RQ2 如何扩展经验估计方法，以降低SRR-based位置频率估计中的偏差，提升准确性？
• RQ3 SRR能否有效扩展以支持轨迹级LDP及复杂LBS工作负载，如k-最近邻和源-目的地分析？
• RQ4 L-SRR在运行时延与可扩展性方面，在真实世界LBS数据集上的性能开销如何？
• RQ5 在关键LBS任务（如交通密度估计与POI搜索）中，L-SRR与现有LDP方案（如RAPPOR、一元编码）相比，其量化表现如何？

主要发现

• L-SRR在真实数据集上的交通密度估计中，显著优于现有LDP方案（如RAPPOR与一元编码），相对误差最高降低60%。
• 所提出的SRR机制结合增强的经验估计，在k-最近邻查询中，相比基线LDP机制，估计误差降低超过50%。
• 分组划分的离线预处理时间随数据集规模呈次线性增长，即使在100万用户的数据集上，处理时间也低于30秒，适用于每日更新。
• L-SRR在所有工作负载（包括轨迹收集）中均严格满足ϵ-LDP，且在准确性上优于宽松隐私模型（如地理不可区分性与PLDP）。
• 该框架具有高效可扩展性：在100万用户规模下，端到端运行时间保持在10秒以内，证明其适用于实时LBS应用。
• 在四个真实LBS数据集（Gowalla、Brightkite、Foursquare与Geolife）上的实证评估表明，L-SRR在多样化空间分析任务中均表现出一致的优越性。