Cooperative Local Differential Privacy: Securing Time Series Data in Distributed Environments
Bikash Chandra Singh, Md Jakir Hossain, Rafael Diaz, Sandip Roy, Ravi Mukkamala, Sachin Shetty
手机、可穿戴设备、物联网传感器和联网车辆等智能设备的快速增长导致连续时间序列数据的爆炸式增长,这些数据在医疗保健、交通等方面提供了宝贵的见解。 然而,这种激增引起了重大的隐私问题,因为敏感的模式可以揭示个人细节。 虽然传统的差分隐私(DP)依赖于受信任的服务器,但本地差分隐私(LDP)使用户能够扰乱自己的数据。 然而,传统的LDP方法通过添加用户特定的噪声来扰动时间序列数据,但表现出漏洞。 例如,在固定时间窗口中施加的噪声可以在聚合过程中取消(例如,平均),使对手能够随着时间的推移推断出个人统计数据,从而侵蚀隐私保证。 为了解决这些问题,我们引入了合作本地差分隐私(CLDP)机制,通过在多个用户之间分发噪声向量来增强隐私。 在我们的方法中,噪声是协同生成和分配的,因此当所有用户的扰动数据被聚合时,噪声会抵消保护整体统计属性,同时保护个人隐私。 这种合作策略不仅可以对抗基于时间窗口的方法固有的漏洞,而且还可以有效地扩展大型实时数据集,从而在多用户环境中的数据效用和隐私之间取得更好的平衡。
The rapid growth of smart devices such as phones, wearables, IoT sensors, and connected vehicles has led to an explosion of continuous time series data that offers valuable insights in healthcare, transportation, and more. However, this surge raises significant privacy concerns, as sensitive patterns can reveal personal details. While traditional differential privacy (DP) relies on trusted servers, local differential privacy (LDP) enables users to perturb their own data. However, traditional LDP...