[论文解读] Towards Information Privacy for the Internet of Things

Meng Sun, Wee Peng Tay+1 more|arXiv (Cornell University)|Nov 14, 2016

Distributed Sensor Networks and Detection Algorithms参考文献 55被引用 5

一句话总结

本文提出了一种用于物联网传感器网络中信息隐私的非参数学习框架，其中传感器在将数据发送至融合中心之前应用本地隐私映射以降低数据质量。通过最小化经验归一化风险，该方法在确保公共假设检测高准确率的同时，显著提高了对私有假设推断的错误率，实现了具有理论收敛性和实证验证的强隐私保障。

ABSTRACT

In an Internet of Things network, multiple sensors send information to a fusion center for it to infer a public hypothesis of interest. However, the same sensor information may be used by the fusion center to make inferences of a private nature that the sensors wish to protect. To model this, we adopt a decentralized hypothesis testing framework with binary public and private hypotheses. Each sensor makes a private observation and utilizes a local sensor decision rule or privacy mapping to summarize that observation independently of the other sensors. The local decision made by a sensor is then sent to the fusion center. Without assuming knowledge of the joint distribution of the sensor observations and hypotheses, we adopt a nonparametric learning approach to design local privacy mappings. We introduce the concept of an empirical normalized risk, which provides a theoretical guarantee for the network to achieve information privacy for the private hypothesis with high probability when the number of training samples is large. We develop iterative optimization algorithms to determine an appropriate privacy threshold and the best sensor privacy mappings, and show that they converge. Finally, we extend our approach to the case of a private multiple hypothesis. Numerical results on both synthetic and real data sets suggest that our proposed approach yields low error rates for inferring the public hypothesis, but high error rates for detecting the private hypothesis.

研究动机与目标

• 解决传感器可能通过其观测无意中泄露私有信息的物联网网络中的信息隐私问题。
• 设计局部隐私映射，以降低传感器数据，防止融合中心推断出私有假设。
• 确保融合中心在保持对公共假设检测高准确率的同时，使对私有假设的检测变得困难。
• 利用经验归一化风险和大样本收敛性，提供隐私性能的理论保证。
• 将该框架扩展至多个私有假设，并在合成数据集和真实世界数据集上进行验证。

提出的方法

• 采用具有二元公共假设和私有假设的去中心化假设检验框架，传感器独立应用本地决策规则。
• 引入经验归一化风险函数，以衡量隐私泄露与公共假设检测准确率之间的权衡。
• 采用迭代优化算法，联合确定隐私阈值和最优传感器隐私映射，确保收敛性。
• 应用非参数学习方法，避免对传感器观测与假设联合分布的假设。
• 通过广义风险公式化和凸优化技术，将方法扩展至多个私有假设。
• 使用核表示和严格拟凸优化，确保收敛至临界点。

实验结果

研究问题

• RQ1 传感器网络如何在保持公共假设检测准确率的同时，防止融合中心推断出私有假设？
• RQ2 何种非参数学习方法可用于设计隐私保护型传感器映射，而无需假设联合观测分布？
• RQ3 经验归一化风险函数是否能在训练样本数量增加时，以高概率提供隐私性能的理论保证？
• RQ4 如何设计迭代优化算法，使其收敛至最优隐私映射和阈值？
• RQ5 在所提出的框架下，公共假设检测准确率与私有假设推断错误率之间的性能权衡如何？

主要发现

• 所提方法在推断公共假设时实现了接近最优的低错误率，表明其具有强大的实用性保障。
• 该方法使私有假设检测的错误率显著升高，证实了有效的隐私保护。
• 理论分析表明，随着训练样本量的增加，经验归一化风险能以高概率提供信息隐私的保证。
• 用于隐私阈值和映射的迭代优化算法收敛至临界点，确保了稳定可靠的部署。
• 在合成数据集和真实数据集上的数值结果验证了该框架在隐私与效用之间平衡的有效性。
• 将框架扩展至多个私有假设后，仍能维持强大的隐私保障，同时保持公共推断性能。