面向相关物联网感知流的图校准差分隐私

《Sensors》:Graph-Calibrated Differential Privacy for Correlated IoT Sensing Streams

【字体: 大 中 小 】 时间:2026年08月27日 来源:Sensors 4.0

编辑推荐:

  物联网(IoT)流包含时间、空间与跨通道依赖,这些依赖即便在形式化隐私发布后仍能支撑对某一属性的推断。标准差分隐私(Differential Privacy,DP)不假设统计独立性;其保证相对于声明的相邻关系成立,且可能保护比实际关注秘密更窄的单元。本文提出图

  
物联网(IoT)流包含时间、空间与跨通道依赖,这些依赖即便在形式化隐私发布后仍能支撑对某一属性的推断。标准差分隐私(Differential Privacy,DP)不假设统计独立性;其保证相对于声明的相邻关系成立,且可能保护比实际关注秘密更窄的单元。本文提出图校准差分隐私(Graph-Calibrated Differential Privacy,GC-DP),其利用滞后感知组件图对经验暴露排序、构造保守组件分数并分配发布预算。形式化机制在独立于受保护数据的前提下固定图扩展输入邻接,并将每个发布坐标校准至认证的全局敏感度上界。图、阈值、经验影响分数与效用分数均来自公开校准信息,或通过显式组合的私有校准预算获得。对于后者,本文指定有界向量拉普拉斯校准机制,并将其预算与发布预算分离。在四个公开IoT数据集上的实验评估了下游效用、属性推断性能、消融与计算成本。所有报告值均为十次独立噪声抽取的平均经验测量。在所评估的组件出现邻接与公开校准协议下,GC-DP在测试隐私预算范围内相较所纳入的均匀与部分自适应基线取得更高任务效用与更低属性推断性能。
研究背景与动机
物联网基础设施持续从智能手机、可穿戴设备、智能建筑、工业设备与环境网络收集细粒度感知流。标准差分隐私限制当数据集按声明相邻关系变化时限输出分布的改变,其定义不要求记录统计独立。但在相关感知中,组件级或时间点级相邻关系可能窄于应用意图保护的用户、事件或依赖邻域;相关观测也可在不违反DP不等式前提下保留对属性的预测信息,本文称此现象为相关性辅助推断(correlation-assisted inference)。室内光照与CO2联合指示占用,加速度计与陀螺仪特征联合描述运动,邻近节点观测相似环境趋势。Pufferfish、Blowfish、依赖感知DP等虽形式化相关关切,但未在中心式多通道窗口级发布中显式分离“形式隐私单元”与“经验校准图”。GC-DP由此开展:以滞后感知组件图排名经验暴露,以固定图扩展邻接认证坐标级全局敏感度,并以风险—效用分配发布预算。论文发表于《Sensors》。
主要关键技术方法
研究人员采用四个公开基准:UCI-HAR、WISDM、Occupancy Detection、Intel Lab Data,保护单元为组件出现级(component-occurrence)而非用户级或设备级。方法上依次执行:算法1基于有界观测计算绝对滞后Pearson相关,经阈值与对称度上限K贪婪稀疏化得到校准图G与平滑暴露em;算法2在固定邻接下求认证敏感度Δkcert,并以有界掩码经验影响ιk膨胀后取max(Δkcert, ιk)作为发布分子;算法3以暴露、认证敏感度与验证效用三因子分配本地预算εk满足Σεk=ε;算法4对各坐标独立加注Lap(Δk/εk)。私有校准时,图分数向量经有界向量Laplace(尺度Δρuniv/εcal)发布,总账为εtot=ε+εcal。所有预处理、裁剪界、分区在机制比较前冻结。
研究结果
5.1 实验设置:在四数据集上固定轻量分类器与攻击协议,GC-DP与Lap-DP、Gau-DP、Ada-DP、Risk-DP共享中心式纯ε-DP发布管道与总发布预算;Gau-DP作近似DP语境对照。公开校准模式下εcal=0。
5.2 不同隐私预算下整体效用:UCI-HAR在ε=0.5时GC-DP宏F1为原文值,较Lap-DP、Gau-DP、Ada-DP、Risk-DP分别高5.4、4.9、2.8、2.1个百分点;WISDM同预算下GC-DP均值高于Lap-DP与Risk-DP。Occupancy Detection在ε=0.5时GC-DP达94.2%,高于Lap-DP 5.0个百分点;Intel Lab Data在ε=0.5与1.0时分别为86.7%与91.3%。Intel Lab归一化聚合MAE在ε=0.5时GC-DP低于Lap-DP。结论:证书感知GC-DP在测试组件出现级发布中均值得分最优。
5.3 隐私泄漏与相关鲁棒性:固定属性推断攻击者下,ε=0.5时GC-DP在四集上的定向AUC分别为0.603、0.621、0.637、0.652,为纳入方法最低;跨预算定向AUC随ε上升而升,GC-DP各点最低。阈值τ由验证F1选定,攻击AUC不入选择规则。结论:GC-DP对所指定攻击者留下更少可用信号,但此为经验结果不扩展定理1。
5.4 消融、运行时与边缘可行性:移除效用项使攻击AUC降而F1降;移除图暴露使AUC升而F1降;全配置在各集F1最高且在F1–AUC帕累托非劣。图构建占O(M2LN)校准成本;GC-DP-Cache复用G与em显著降低单次发布耗时。结论:校准主导成本,缓存释放可降本,图陈旧不破DP但损分配效用。
5.5 局限与范围:误指定或陈旧图误分配预算但不废认证敏感度;通用私有图界限Δρuniv致校准噪大;加权度非泄露界;弱相关或快变相关时优势小;低攻击AUC不抵重构或成员推断。基线仅共享中心发布管道,不与Pufferfish/Blowfish/matrix mechanism/CTS-DP/CGM做数值比对。
讨论与结论翻译
讨论指出GC-DP的五点限制:校准图误指定或陈旧会误导预算分配并削弱经验抗攻击性,但固定邻接下认证敏感度仍有效;通用私有图敏感度界Δρuniv引入可观校准噪(基准用公开校准故未量化该成本);经验掩码、图压缩与加权度为分配启发式而非形式泄露界;当依赖弱、查询敏感度已紧、校准成本主导或相关快于私有刷新时GC-DP优势有限;指定属性推断攻击者AUC/F1降低不意味抵抗重构、成员推断或任意自适应敌手。未来工作应报私有校准预算扫描、保留运行级置信区间、学习图诊断、重构与成员推断攻击及持续发布记账。
结论:GC-DP将滞后感知校准图与认证坐标级敏感度及任务感知预算分配结合。其形式保证为固定图扩展邻接下ε-DP,当每Δkcert上界真敏感度;从同受保护记录校准参数则加显式组合成本εcal。在UCI-HAR、WISDM、Occupancy Detection、Intel Lab Data上,证书感知机制相较纳入均匀与部分自适应基线在测试发布预算内取得更高均值任务效用与更低固定属性推断攻击者性能。对称稀疏化精确强制所述度上限。图暴露分数与攻击指标仍为经验量,不强化定理亦不消除推断风险。私有校准效用、异隐私模型框架匹配比对、更广攻击族与持续发布记账为未来方向。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号