[论文解读] Privacy in Information-Rich Intelligent Infrastructure

Cynthia Dwork, George J. Pappas|arXiv (Cornell University)|Jun 6, 2017

Smart Grid Security and Resilience被引用 8

一句话总结

本文提出了一种隐私保护框架，用于信息丰富的智能基础设施（如智能电网和自动驾驶车辆网络），通过差分隐私保护来自传感器的实时流数据。通过在数据聚合前注入校准的噪声，确保个人用户信息保持私密，同时仍能实现对公共利益有益的大规模分析。

ABSTRACT

Intelligent infrastructure will critically rely on the dense instrumentation of sensors and actuators that constantly transmit streaming data to cloud-based analytics for real-time monitoring. For example, driverless cars communicate real-time location and other data to companies like Google, which aggregate regional data in order to provide real-time traffic maps. Such traffic maps can be extremely useful to the driver (for optimal travel routing), as well as to city transportation administrators for real-time accident response that can have an impact on traffic capacity. Intelligent infrastructure monitoring compromises the privacy of drivers who continuously share their location to cloud aggregators, with unpredictable consequences. Without a framework for protecting the privacy of the driver's data, drivers may be very conservative about sharing their data with cloud-based analytics that will be responsible for adding the intelligence to intelligent infrastructure. In the energy sector, the Smart Grid revolution relies critically on real-time metering of energy supply and demand with very high granularity. This is turn enables real-time demand response and creates a new energy market that can incorporate unpredictable renewable energy sources while ensuring grid stability and reliability. However, real-time streaming data captured by smart meters contain a lot of private information, such as our home activities or lack of, which can be easily inferred by anyone that has access to the smart meter data, resulting not only in loss of privacy but potentially also putting us at risk.

研究动机与目标

• 解决依赖于车辆和智能电表持续流式传感器数据的智能基础设施中的隐私风险。
• 识别实时数据收集如何在交通和能源系统中损害个人隐私。
• 开发一种实用的隐私保护机制，实现在不暴露个人用户数据的前提下进行大规模分析。
• 确保隐私保护不会损害数据在关键基础设施监控和优化中的实用性。

提出的方法

• 将差分隐私应用于智能基础设施的实时数据流，例如车辆位置和智能电表读数。
• 在数据传输到基于云的聚合器之前，向单个数据点注入校准的噪声，以防止重新识别。
• 使用隐私预算（ε）正式量化并限制 across 数据发布过程中的隐私损失。
• 设计在确保强数学隐私保证的同时，仍能保持数据分析实用性的机制。
• 将该框架集成到现有基础设施系统中，如交通监控和智能电网中的需求响应。
• 确保噪声注入过程能根据数据敏感性和系统需求自适应调整，同时兼顾隐私与准确性。

实验结果

研究问题

• RQ1 如何在智能电网和自动驾驶车辆等智能基础设施的实时数据流中保护个人隐私？
• RQ2 在高粒度传感器数据中，数据分析的实用性与隐私保护之间存在何种权衡？
• RQ3 差分隐私能否在不降低系统性能的前提下，有效应用于连续的实时数据流？
• RQ4 从智能电表数据中推断数据（例如家庭活动检测）有何影响，以及如何缓解？
• RQ5 如何在不需根本性架构变更的前提下，将隐私保护机制集成到现有基础设施系统中？

主要发现

• 差分隐私为智能基础设施实时数据流中的个人隐私保护提供了数学上严谨的保障。
• 该框架在确保个人数据无法被重新识别的同时，支持高精度的大规模分析，例如实时交通制图和需求响应。
• 即使经过噪声注入，聚合后的数据仍对公共基础设施监控和优化具有实际用途。
• 通过校准的隐私保护机制，从智能电表数据中推断私人行为（例如家庭居住状态）的风险显著降低。
• 所提出的方法在保持系统实用性的前提下，提供了强大且形式化的隐私保障，适用于关键基础设施的部署。
• 该框架具有跨领域适用性，涵盖交通和能源领域，展现出广泛的适用性和可重用性。