一种基于松散本地差分隐私模型的键值数据收集方法技术

本发明专利技术公开了一种基于松散本地差分隐私模型的键值数据收集方法，该方法包括对键值对数据类型的本地差分隐私模型进行了定义，将对在广义随机响应机制下的松散本地差分隐私下隐私预算进行公开并对其进行最优分配。问题解决了如下应用场景：存在多个用户，每个用户报告多个属性的值组成键值对，对隐私预算分配和扰动进行概率计算，随后用户根据服务器端提供的隐私预算取值，并在用户本地端中对数据键值对的值进行数据扰动，将扰动后的噪声值提交给数据收集方。服务器收集用户的扰动后数据，分析计算出原始数据键的频率估计结果和键值对应的均值估计结果。本发明专利技术可以使得保护过程全部在客户端，可抵抗不可信的第三方服务器攻击。击。击。

【技术实现步骤摘要】
一种基于松散本地差分隐私模型的键值数据收集方法


[0001]本专利技术属于信息安全技术，涉及种基于松散本地差分隐私模型的键值数据收集方法。

技术介绍

[0002]随着新一轮的科技革命与信息时代的发展，网络数据的产生为企业和政府带来了重大的发展和进步，通过数据的收集及分析为后续的政策及举措提供重要科学基础，实现更好的经济效应。数据对是现实生活中一种常见的数据形式，有着非常广发的应用场景。通过分析数据之间的关系，可以挖掘大数据的信息，进而更好的为管理者提供数据支持，更好的为用户提供服务。例如在购物或观看电影时，分析用户的偏好并收集大量用户对影视的偏好，根据新老用户习惯推荐新产品或高分电影。同时大数据也是双刃剑，随着大数据的发展，安全问题也愈演愈烈，日益威胁着个人权利、公共利益乃至国家利益，用户对个人隐私保护的重视度越来越高，但在收集过程中存在大量隐私信息泄露风险。因此，如何在保护隐私的前提下，对关联数据是一个亟待解决的问题。
[0003]隐私计算是一系列技术的合集，交叉融合了密码学、统计学、人工智能、计算机硬件等众多学科。它在本质上满足了在本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于松散本地差分隐私模型的键值数据收集方法，其特征在于，包括以下步骤：S1、在广义随机响应机制下的服务器设置，包括设置模型的总体隐私预算ε和总体松散程度δ，通过分解，将隐私预算ε分配为键扰动涉及的因隐私预算ε1和键扰动的松散程度δ1，设置值扰动所涉及的隐私预算ε2和值扰动的松散程度δ2，同时将ε、ε1、δ1、ε2和δ2公布给用户，推导出元素中键和值转换的最优概率；S2、每个用户从本地将原始数据<k，v>进行数据集预处理，设置原始数据为S并进行填充，设填充的长度为l；对于整个机制，原始所有键的数量为d，设置协议中总长d
′
＝d+l；随后对键值对进行采样，将采样后的数据根据的大小进行离散化；S3、用户根据采样中的数据键值对进行键和值的扰动，并把扰动后的数据发送给服务器；S4、服务器根据用户发送的扰动数据进行统计分析，估算出原始数据的频率分布结果和均值估计大小。2.根据权利要求1所述的基于松散本地差分隐私模型的键值数据收集方法，其特征在于：在步骤(S1)中服务器让隐私分配达到最优，推导出元素中键和值转换的最优概率包括如下过程：S11、基于广义随机响应机制，所述方法假设键和值扰动的隐私预算分别为ε1和ε2，键扰动的松散程度δ1，值扰动的松散程度δ2，根据(ε，δ)
‑
LDP的定义式Pr(M(x)＝y)≤e
ε
·
Pr(M(x
′
)＝y)，即推导出键值对中键转化的情况：1
→
1的概率为a，0
→
1的概率为b，之后分别对键中a，b的扰动概率进行计算：键中a，b的扰动概率进行计算：S12、针对键值对中的值扰动阶段应该满足(ε，δ)
‑
LDP的定义式，即键值对中值1
→
1的概率为而1
→‑
1的概率为1
‑
p；S13、针对键值对整体扰动的概率计算，针对离散后的键值对数据<k，v>经过扰动后为<k
′
，v
′
>，根据k值和Pr(y
′
|S)的边界值，当k∈{d+1，...d
′
}时v
*k
＝0，推导出隐私预算是需要进行分界线进行讨论；情况1：当隐私预算隐私预算隐私预算情况2：当时，隐私预算时，隐私预算时，隐私预算S14、通过评估机制效用的方式对隐私预算进行优化处理，使其利用率最大，本步骤使用均方误差进行评估，估计量的均方误差通过方差及其偏差的平方和来计算，即，的均方误差通过方差及其偏差的平方和来计算，即，然后根据函数分析需对取最小值，最后可得到扰动概率与隐私的关系式；其健值中的健转化概率a＝(l(e
ε
‑
1)+2+2lδ(d
′‑
1)/(l(e
ε
‑
1)+2d
′

【专利技术属性】
技术研发人员：胡朋，朱友文，王凤祥，张跃，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：