[论文解读] Local Differential Privacy: a tutorial

Björn Bebensee|arXiv (Cornell University)|Jul 27, 2019

Privacy-Preserving Technologies in Data参考文献 26被引用 32

一句话总结

本教程全面概述了本地差分隐私（LDP）技术，阐释了其理论基础、实现机制及其在数据收集过程中保护用户隐私的应用。它详细说明了LDP如何通过用户本地对数据进行随机化扰动（如使用随机响应等技术），在无需信任中心服务器的前提下实现强大的隐私保障，并对频率估计、热点检测、项目集挖掘及空间数据收集等核心问题的前沿协议进行了综述。

ABSTRACT

In the past decade analysis of big data has proven to be extremely valuable in many contexts. Local Differential Privacy (LDP) is a state-of-the-art approach which allows statistical computations while protecting each individual user's privacy. Unlike Differential Privacy no trust in a central authority is necessary as noise is added to user inputs locally. In this paper we give an overview over different LDP algorithms for problems such as locally private heavy hitter identification and spatial data collection. Finally, we will give an outlook on open problems in LDP.

研究动机与目标

• 为研究人员和从业者提供关于本地差分隐私（LDP）的清晰、易懂的入门介绍。
• 解释LDP的理论基础，包括其形式化定义和隐私保障机制。
• 综述用于核心问题（如频率估计、热点识别和空间数据收集）的前沿LDP协议。
• 突出展示苹果、谷歌和微软等主要科技公司对LDP的实际部署。
• 识别LDP领域中的开放研究问题与未来研究方向，包括混合模型与多阶段交互协议。

提出的方法

• 使用ε-LDP的形式化定义，确保任意两个输入产生的输出的似然比不超过exp(ε)。
• 引入随机响应作为LDP的基础机制，用户通过抛硬币的方式对响应进行扰动，以实现合理的否认能力。
• 以RAPPOR协议为例，展示LDP在实际中的应用，利用随机响应技术收集遥测数据。
• 提出个性化LDP（PLDP），允许用户定义一个安全区域τ，并为每位用户应用不同的隐私参数ε。
• 提出私有空间数据聚合（PSDA）框架，并引入个性化计数估计协议（PCEP），用于估计空间区域内的用户数量。
• 通过将具有相同隐私规格的用户聚类，最小化估计误差，并确保聚合结果的整体置信度。

实验结果

研究问题

• RQ1 如何在不依赖可信中心服务器的前提下实现强大的隐私保障？
• RQ2 支持高效且私密数据收集的LDP核心算法技术与协议有哪些？
• RQ3 如何将LDP扩展以支持个性化隐私偏好，例如用户自定义的安全区域？
• RQ4 纯LDP在准确性方面存在哪些局限性？混合模型如何提升性能？
• RQ5 多阶段交互协议是否能提升LDP在复杂数据收集任务（如合成图生成）中的准确性？

主要发现

• LDP通过在数据传输前对每位用户的数据进行本地扰动，实现了强大的隐私保障，从而消除了对中心服务器的信任需求。
• 随机响应机制为LDP提供了基础保障，其ε = ln(3) ≈ 1.1，是更高级协议（如RAPPOR）的基础。
• 个性化LDP（PLDP）允许用户指定一个安全区域τ和一个隐私参数ε，从而实现对数据披露的细粒度控制。
• 结合PCEP的PSDA框架能够在保护用户隐私的同时，通过本地扰动实现对空间区域内用户数量的准确估计。
• 将本地与集中式差分隐私相结合的混合模型可提升准确性，但其在更广泛LDP问题中的适用性仍有待探索。
• 多阶段交互协议（如用于合成图生成的协议）在提升准确性方面展现出潜力，但其在其他LDP任务中的泛化能力仍待研究。