隨著大數(shù)據(jù)和人工智能技術(shù)的發(fā)展,數(shù)據(jù)的重要性變得越來越凸顯,并被經(jīng)濟(jì)學(xué)人雜志稱為數(shù)字時代的石油。然而,隨著各國政府日趨嚴(yán)格的隱私保護(hù)法案的出臺,以及互聯(lián)網(wǎng)用戶隱私保護(hù)意識的覺醒,如何在保護(hù)隱私的前提下收集數(shù)據(jù)成為各大互聯(lián)網(wǎng)公司的當(dāng)務(wù)之急。在學(xué)術(shù)界和工業(yè)界的共同推動下,本地差分隱私技術(shù)逐漸成為用戶隱私數(shù)據(jù)收集的黃金標(biāo)準(zhǔn)。目前谷歌、蘋果和微軟等互聯(lián)網(wǎng)巨頭已把本地差分隱私集成到產(chǎn)品中用于用戶隱私數(shù)據(jù)的收集與分析。本地差分隱私的核心思想是用戶在本地對數(shù)據(jù)進(jìn)行隨機擾動處理,并提供嚴(yán)格的隱私保護(hù)量化標(biāo)準(zhǔn)。然而,隨機擾動的引入不可避免地影響了數(shù)據(jù)可用性。如何優(yōu)化數(shù)據(jù)可用性成為各大互聯(lián)網(wǎng)公司大規(guī)模部署本地差分隱私需要解決的首要問題。對本地差分隱私數(shù)據(jù)可用性的優(yōu)化可以從兩個維度展開:融合算法優(yōu)化和隱私預(yù)算優(yōu)化。其中,融合算法優(yōu)化通過改進(jìn)數(shù)據(jù)編解碼方式以降低隨機擾動對數(shù)據(jù)可用性的影響,隱私預(yù)算優(yōu)化在融合算法給定時通過進(jìn)一步優(yōu)化隱私保護(hù)程度來降低擾動水平。根據(jù)數(shù)據(jù)擁有者與數(shù)據(jù)使用者之間的關(guān)系,隱私預(yù)算優(yōu)化可以分為激勵設(shè)計和協(xié)同優(yōu)化兩種方法。當(dāng)數(shù)據(jù)擁有者不是使用者時,可以通過激勵設(shè)計補償數(shù)據(jù)擁有者隱私損失的方...

【文章頁數(shù)】：151 頁

【學(xué)位級別】：博士

【文章目錄】：
致謝
摘要
Abstract
第一章 緒論
    1.1 研究背景
        1.1.1 數(shù)據(jù)隱私及其保護(hù)技術(shù)
        1.1.2 差分隱私技術(shù)
    1.2 研究現(xiàn)狀
        1.2.1 融合算法優(yōu)化
        1.2.2 隱私預(yù)算優(yōu)化
        1.2.3 現(xiàn)有工作存在的不足
    1.3 本文研究內(nèi)容
        1.3.1 研究思路
        1.3.2 研究內(nèi)容
第二章 本地差分隱私定義與理論基礎(chǔ)
    2.1 差分隱私定義
        2.1.1 集中式差分隱私
        2.1.2 本地差分隱私
        2.1.3 集中式差分隱私與本地差分隱私區(qū)別
    2.2 頻率估計
        2.2.1 廣義隨機響應(yīng)法
        2.2.2 最優(yōu)一元編碼法
        2.2.3 最優(yōu)本地哈希法
        2.2.4 方法比較與選擇
    2.3 均值估計
        2.3.1 拉普拉斯機制
        2.3.2 杜奇機制
        2.3.3 分段機制
        2.3.4 方法比較與選擇
第三章 高維數(shù)據(jù)融合算法優(yōu)化
    3.1 引言
    3.2 邊緣列聯(lián)表發(fā)布問題定義與現(xiàn)有方法總結(jié)
        3.2.1 問題定義:集中式差分隱私情形
        3.2.2 問題定義:本地差分隱私情形
        3.2.3 全列聯(lián)表法
        3.2.4 全邊緣列聯(lián)表法
        3.2.5 傅里葉變換法
        3.2.6 期望最大化法
    3.3 本文方法
        3.3.1 PriView方法概述
        3.3.2 本章提出的CALM方法
        3.3.3 視圖選取方法
        3.3.4 帶噪音視圖一致性處理方法
        3.3.5 復(fù)雜度分析
        3.3.6 討論
    3.4 性能評估
        3.4.1 實驗設(shè)置
        3.4.2 二元數(shù)據(jù)集性能比較
        3.4.3 非二元數(shù)據(jù)集性能比較
        3.4.4 分類性能比較
        3.4.5 驗證算法參數(shù)合理性
        3.4.6 k及本地設(shè)定對性能的影響
    3.5 本章小結(jié)
第四章 基于靜態(tài)激勵的隱私預(yù)算優(yōu)化
    4.1 引言
    4.2 系統(tǒng)模型
        4.2.1 群智感知系統(tǒng)概述
        4.2.2 靜態(tài)激勵機制工作流程
        4.2.3 隱私預(yù)算與融合精度定量關(guān)系
        4.2.4 用戶效用定義
    4.3 基于契約理論的激勵機制設(shè)計
        4.3.1 契約建模
        4.3.2 完全信息下最優(yōu)契約設(shè)計
        4.3.3 不完全信息下最優(yōu)契約設(shè)計
        4.3.4 討論
    4.4 連續(xù)情況擴(kuò)展
    4.5 仿真評估
        4.5.1 激勵設(shè)計優(yōu)越性評估
        4.5.2 激勵設(shè)計有效性評估
    4.6 本章小結(jié)
第五章 基于動態(tài)激勵的隱私預(yù)算優(yōu)化
    5.1 引言
    5.2 系統(tǒng)模型
        5.2.1 群智感知系統(tǒng)模型
        5.2.2 激勵機制工作流程
        5.2.3 反向組合拍賣定義
        5.2.4 激勵機制設(shè)計目標(biāo)
    5.3 動態(tài)激勵設(shè)計問題建模
        5.3.1 隱私預(yù)算與融合精度之間定量關(guān)系
        5.3.2 數(shù)學(xué)模型
    5.4 動態(tài)激勵設(shè)計問題求解
        5.4.1 在線拍賣轉(zhuǎn)換
        5.4.2 在線LPRC拍賣設(shè)計
        5.4.3 討論
    5.5 在線拍賣機制理論分析
    5.6 性能評估
        5.6.1 實驗設(shè)置
        5.6.2 性能比較
    5.7 本章小結(jié)
第六章 基于協(xié)同優(yōu)化的隱私預(yù)算優(yōu)化
    6.1 引言
    6.2 背景與攻擊模型介紹
        6.2.1 基本數(shù)據(jù)庫訪問協(xié)議
        6.2.2 攻擊模型與假設(shè)
    6.3 可量化隱私保護(hù)機制
        6.3.1 二級用戶隱私保護(hù)機制
        6.3.2 一級用戶隱私保護(hù)機制
        6.3.3 防干擾框架
    6.4 隱私保護(hù)的數(shù)據(jù)庫訪問協(xié)議
        6.4.1 協(xié)議概述
        6.4.2 二級用戶最優(yōu)決策
        6.4.3 一級用戶最優(yōu)決策
    6.5 多用戶數(shù)據(jù)庫訪問協(xié)議
        6.5.1 信道空閑情形
        6.5.2 信道占用情形
    6.6 性能評估
        6.6.1 實驗設(shè)置
        6.6.2 性能比較
    6.7 本章小結(jié)
第七章 總結(jié)與展望
    7.1 全文總結(jié)
    7.2 研究展望
參考文獻(xiàn)
攻讀博士學(xué)位期間主要研究成果及參與的科研項目



本文編號：3777467