一种时序数据隐私的保护方法及相关设备技术

本发明专利技术提供一种时序数据隐私的保护方法及相关设备，涉及数据隐私保护领域，所述方法包括：计算给定隐私预算下，差分隐私模型中高斯噪声的最佳加噪方差；对时序数据中的每个时间节点数据均添加最佳加噪方差下的高斯噪声；对每个已添加最佳加噪方差下的高斯噪声的时间节点数据均进行去噪处理优化，以得到隐私保护处理后的时序数据。通过这种时序数据隐私的保护方法，在相同隐私预算的条件下，时序数据能达到更高的数据可用性。

【技术实现步骤摘要】
一种时序数据隐私的保护方法及相关设备
本说明书一个或多个实施例涉及数据隐私保护
，尤其涉及一种时序数据隐私的保护方法及相关设备。
技术介绍
时序数据是指时间序列数据，时间序列数据是同一指标的数据按时间顺序记录的数据列。随着大数据技术的不断演进，时间逐渐成为了数据分析中的一个不容小窥的重要维度，时序数据分析相关技术逐渐成为了数据分析领域的一大热点。在时序数据分析行为的过程中，个体数据的隐私通常面临着种种威胁，基于这种背景，需要可靠的时序数据隐私保护方法，在保证可用性的同时保障数据的隐私性。目前，现有的技术采用差分隐私保护模型来保障数据的隐私，通常采用对时序数据加差分隐私噪声的方式来实现隐私保护。现有方法中差分隐私模型通常采用对时序数据整体加拉普拉斯噪声的方式来保护数据的隐私性。在这种时序数据隐私保护方法的前提下，时序数据往往会被整体加噪，并将加噪后的时序数据直接作为结果数据进行发布。这样的做法有很大不足，未经优化的拉普拉斯噪声对每一个时间节点数据进行加噪，会导致时序数据的每个时间节点数据的噪声过大，影响发布的时序数据的可用性。
技术实现思路
有鉴于此，本说明书一个或多个实施例的目的在于一种时序数据隐私的保护方法及相关设备。基于上述目的，本说明书一个或多个实施例提供了一种时序数据隐私的保护方法，包括：计算给定隐私预算下，差分隐私模型中高斯噪声的最佳加噪方差；对时序数据中的每个时间节点数据均添加最佳加噪方差下的高斯噪声；对每个已添加最佳加噪方差下的高斯噪声的时间节点数据均进行去噪处理优化，以得到隐私保护处理后的时序数据。基于同一专利技术构思，本说明书一个或多个实施例还提供了一种时序数据隐私的保护装置，包括：计算模块，被配置为计算给定隐私预算下，差分隐私模型中高斯噪声的最佳加噪方差；加噪模块，被配置为对时序数据中的每个时间节点数据均添加最佳加噪方差下的高斯噪声；去噪模块，被配置为对每个已添加最佳加噪方差下的高斯噪声的时间节点数据均进行去噪处理优化，以得到隐私保护处理后的时序数据。基于同一专利技术构思，本说明书一个或多个实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如上任意一项所述的方法。基于同一专利技术构思，本说明书一个或多个实施例还提供了一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行如上任一所述方法。从上面所述可以看出，本专利技术提供的一种时序数据隐私的保护方法，通过对时序数据的全部节点添加最佳方差下的高斯噪声，并对每个已添加最佳加噪方差下的高斯噪声的时间节点数据均进行去噪处理优化，在不影响隐私保护效果的前提下，对加噪的时间节点数据进行去噪处理，不会导致每个时间节点的噪声过大，在相同隐私预算的条件下，使时序数据达到更高的可用性。附图说明为了更清楚地说明本说明书一个或多个实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书一个或多个实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本说明书一个或多个实施例的时序数据隐私的保护方法流程图；图2为本说明书一个具体实施例的流程图；图3为本说明书一个或多个实施例的时序数据的保护装置结构示意图；图4为本说明书一个或多个实施例的电子设备结构示意图。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本专利技术进一步详细说明。需要说明的是，除非另外定义，本说明书一个或多个实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本说明书一个或多个实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。如
技术介绍
部分所述，现有技术中的时序数据的保护方法通常采用差分隐私保护模型来保障时序数据的隐私安全，差分隐私模型通常采用对时序数据整体加差分隐私噪声的方式，其中差分隐私噪声通常选用拉普拉斯噪声；实际上这种保护方法会将时序数据整体加噪，没有经过优化的拉普拉斯噪声会对时序数据的中的每个时间节点数据均进行加噪，这会导致每个时间节点数据的噪声过大，影响最终发布的时序数据的可用性。有鉴于此，参考图1，本说明书一个或多个实施例提供了一种时序数据隐私的保护方法，包括以下步骤：步骤S101、计算给定隐私预算下，差分隐私模型中高斯噪声的最佳加噪方差。步骤S102、对时序数据中的每个时间节点数据均添加最佳加噪方差下的高斯噪声。步骤S103、对每个已添加最佳加噪方差下的高斯噪声的时间节点数据均进行去噪处理优化，以得到隐私保护处理后的时序数据。可见，本说明书一个或多个实施例的时序数据隐私的保护方法，针对现有方法差分隐私保护中拉普拉斯加噪产生噪声过大的情况，本方法选用了更加广义化的基于高斯噪声的差分隐私加噪机制，计算在相同隐私预算下，高斯噪声加噪的最佳方差，使时序数据能达到更高的可用性。针对现有方法对差分隐私后处理考虑不足的问题，本方法对每个已添加最佳加噪方差下的高斯噪声的时间节点数据均进行去噪处理优化，可在不影响隐私保护效果的前提下，对加噪的时间节点数据进行去噪处理，在提高时序数据的可用性的同时又保障了时序数据的安全性。以下，通过具体的实施例来详细说明本说明书一个或多个实施例的技术方案。参考图2，本说明书一个实施例的时序数据隐私的保护方法，具体包括以下步骤:步骤S201、确定模型关键参数。本步骤中，模型关键参数包括：满足(ε,δ)的差分隐私的隐私预算ε和松弛项δ、卡尔曼滤波状态模型的过程噪声Q以及卡尔曼滤波器的初始预测值y0和初始方差P0。步骤S202、计算给定隐私预算下，差分隐私模型中高斯噪声的最佳加噪方差。本步骤中，最佳加噪方差的计算方法为：根据ε，定义数值计算函数，记作B(v)；根据δ，确定数值计算函数的上确界，记作v*；根据v*，计算数值过程结果，记作α；根据α，计算方差，记作R；所述数值计算函数B(v)的算法为：其中v为变量，φ()为高斯分布的累积分布函数；所述函数的上确界v*的算法为：v*＝sup{v∈R≥0∶B(v)≤δ}其中sup{}为上确界，R≥0为大于等于0的实数；所述数值过程结果α的算法为：所述方差R的算法为:步骤S203、对单个时间节点数据添加最佳加噪方差下的高斯噪声。本步骤中，最佳方差下的高斯噪声的计算方法为：本文档来自技高网...

【技术保护点】
1.一种时序数据隐私的保护方法，其特征在于，包括：/n计算给定隐私预算下，差分隐私模型中高斯噪声的最佳加噪方差；/n对时序数据中的每个时间节点数据均添加最佳加噪方差下的高斯噪声；/n对每个已添加最佳加噪方差下的高斯噪声的时间节点数据均进行去噪处理优化，以得到隐私保护处理后的时序数据。/n

【技术特征摘要】
1.一种时序数据隐私的保护方法，其特征在于，包括：
计算给定隐私预算下，差分隐私模型中高斯噪声的最佳加噪方差；
对时序数据中的每个时间节点数据均添加最佳加噪方差下的高斯噪声；
对每个已添加最佳加噪方差下的高斯噪声的时间节点数据均进行去噪处理优化，以得到隐私保护处理后的时序数据。


2.根据权利要求1所述的时序数据隐私的保护方法，其特征在于，所述计算给定隐私预算下，差分隐私模型中高斯噪声的最佳加噪方差，具体包括：定义数值计算函数，记作B(v)；确定数值计算函数的上确界，记作v*；根据v*，计算数值过程结果，记作α；根据α，计算方差，记作R；
所述数值计算函数B(v)的算法为：



其中ε为隐私预算，v为变量，φ()为高斯分布的累积分布函数；
所述函数的上确界v*的算法为：
v*＝sup{v∈R≥0∶B(v)≤δ}
其中δ为隐私松弛项，sup{}为上确界，R≥0为大于等于0的实数；
所述数值过程结果α的算法为：



所述方差R的算法为:





3.根据权利要求2所述的时序数据隐私的保护方法，其特征在于，所述对时序数据中的每个时间节点数据均添加最佳加噪方差下的高斯噪声，具体包括：读取t时刻的时间节点数据，记作xt；根据所述方差R，计算均值为0、方差为R的随机高斯噪声，记作noiset；为t时刻的时间节点数据添加noiset得到加噪时间节点数据，记作zt；
其中所述加噪时间节点数据zt的算法为：
zt＝xt+noiset。


4.根据权利要求3所述的时序数据隐私的保护方法，其特征在于，所述对每个已添加最佳加噪方差下的高斯噪声的时间节点数据均进行去噪处理优化，以得到隐私保护处理后的时序数据，具体包括：利用卡尔曼滤波器进行去噪处理优化，预先设定卡尔曼滤波器的初始预测值y0和初始方差P0,作为初值...

【专利技术属性】
技术研发人员：黄小红，李丹丹，夏一凡，钱叶魁，闪德胜，丛群，杨瑞朋，黄浩，夏军波，雒朝峰，李建华，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：北京;11