[论文解读] Local Differential Privacy for Physical Sensor Data and Sparse Recovery

Anna C. Gilbert, Audra McMillan|arXiv (Cornell University)|May 31, 2017

Privacy-Preserving Technologies in Data参考文献 19被引用 4

一句话总结

本文提出了一种基于扩散过程与稀疏恢复的框架，用于发布具有微分隐私保护的物理传感器测量数据，实现在保护热源定位隐私的同时，通过地球移动距离（EMD）准确恢复其大致地理区域。该方法利用反问题的不适定性及扩散矩阵的谱特性，在确保局部微分隐私的前提下最小化噪声。

ABSTRACT

In this work we explore the utility of locally differentially private thermal sensor data. We design a locally differentially private recovery algorithm for the 1-dimensional, discrete heat source location problem and analyse its performance in terms of the Earth Mover Distance error. Our work indicates that it is possible to produce locally private sensor measurements that both keep the exact locations of the heat sources private and permit recovery of the "general geographic vicinity" of the sources. We also discuss the relationship between the property of an inverse problem being ill-conditioned and the amount of noise needed to maintain privacy.

研究动机与目标

• 设计针对物理传感器数据的微分隐私测量发布机制，以保护源位置的同时保持数据效用。
• 通过地球移动距离（EMD）作为度量标准，实现对热源大致地理区域的恢复，而非传统的ℓ₁或ℓ₂误差。
• 分析测量矩阵的谱条件，以最小化隐私保护下的噪声，特别是在病态反问题中。
• 通过在图上使用扩散算子实例化该框架，并在社区结构网络上评估性能。
• 证明当扩散矩阵具有有利的谱特性时，可实现局部微分隐私且仅需极少噪声。

提出的方法

• 使用矩阵 A_G = e^{-τL} 表示线性扩散模型，其中 L 为图拉普拉斯矩阵，用于建模物理传感器测量。
• 通过添加与测量矩阵任意两行之间差值的ℓ₂范数 Δ₂(A_G) 成比例的噪声，实现局部微分隐私。
• 采用ℓ₁约束最小化进行稀疏信号恢复，从而从私密测量中重建源位置。
• 通过(ε,δ)-微分隐私定义隐私，确保改变任意单一源位置对输出分布的影响极小。
• 使用地球移动距离（EMD）作为主要误差度量，评估恢复质量，重点关注地理接近性而非精确位置。
• 通过拉普拉斯矩阵的特征值和奇异向量分析 A_G 的谱结构，以界定敏感度 Δ₂(A_G)，从而确定隐私所需的噪声量。

实验结果

研究问题

• RQ1 是否可以通过利用反问题的不适定性，在物理传感器系统中以极少噪声实现局部微分隐私？
• RQ2 扩散矩阵的谱特性如何影响(ε,δ)-微分隐私所需的噪声量？
• RQ3 在使用 EMD 作为度量标准时，从微分隐私测量中能在多大程度上恢复稀疏热源的大致地理区域？
• RQ4 在恢复过程中，传感器网络的社区结构在确保个体源位置隐私的前提下能否得以保留？
• RQ5 在局部微分隐私约束下，真实与恢复源位置之间 EMD 误差的理论下限是多少？

主要发现

• 该框架实现了局部微分隐私，且噪声水平与扩散矩阵的谱衰减特性成比例，特别是拉普拉斯矩阵的第二小特征值 s₂。
• 对于完全图，Δ₂(A_G)² = 2e^{-τn}，表明更高的连通性可减少实现隐私所需的噪声。
• 对于星型图，Δ₂(A_G)² 受包含 e^{-τn} 及与节点间距离相关的项的和所限制，表明中心节点需要更多噪声。
• EMD 误差的理论下限为 Ω(min{1/2, T¹·⁵σ / √m})，表明在隐私约束下恢复误差无法任意小。
• 在随机块模型上的实验结果表明，在适当的 τ 和 ε 设置下，即使有隐私保证，源的正确社区仍可被恢复。
• 该方法实现了计算混淆：精确的源位置被隐藏，但其大致区域可被恢复，因此适用于隐私保护的智能建筑与传感器网络应用。