论文部分内容阅读
差分隐私由于其严格的数学证明和强大的隐私保护,现在已成为数据发布隐私保护的一个标准。近几年,许多基于差分隐私的数据发布方法被提出,但是大部分方法都集中在静态数据发布方面,对于动态数据发布的研究还相对较少。另外,在基于差分隐私的动态数据发布中,隐私预算作为衡量隐私保护程度的指标,如何合理分配有限的隐私预算到每个发布数据的时间点上,对于提高差分隐私动态数据发布的效用至关重要。因此,在满足差分隐私的情况下提出新的动态数据发布算法并对有限的隐私预算进行合理分配,成为基于差分隐私的动态数据发布的主要研究问题。为了解决以上问题,本文提出以下两种算法:(1)提出一种新的差分隐私动态数据发布方法:基于KL(Kullback-Leibler)散度的贪心分组算法(Greed Group Algorithm Based on KL-Divergence,GGA)。该算法首先利用KL散度来计算相邻两个时间点上数据的差异,然后通过比较噪声KL散度与噪声阈值的大小来对数据进行发布。同时,在文中还给出了GGA算法的隐私分析与证明。另外,GGA算法在数据发布过程中还采用了三种数据发布策略,其中贪心分组发布策略能够有效降低全局敏感度,提高数据的发布效用。最后,在真实的数据集上对GGA算法进行了实验验证,实验结果表明:在满足差分隐私的条件下,相比于现有差分隐私动态数据发布算法,GGA算法能够提高数据发布的可用性,对数据进行更有效地发布。(2)提出一种基于强化学习的差分隐私动态数据发布算法(Dynamic Data Publishing Algorithm Based on Reinforcement Learning,DDPA)。该算法在满足差分隐私的条件下,将强化学习的思想与动态数据的变化特点相结合,利用马尔可夫决策过程对隐私预算的分配问题进行了形式化建模,并在动态数据发布过程中找到了一种合理的隐私预算分配方案。另外,本文还提出了一种与现有数据发布方式不同的动态数据发布策略。最后在真实数据集上对DDPA算法进行了实验验证,实验结果表明:基于强化学习的差分隐私动态数据发布算法可以在动态数据发布过程中对有限的隐私预算进行合理的分配,并结合新的数据发布策略,提高动态数据发布的可用性。