SecSkyline: Fast Privacy-Preserving Skyline Queries over Encrypted Cloud Databases
众所周知的云计算的好处刺激了数据库服务外包的流行,人们可以求助于云来方便地存储和查询数据库。随着这种流行趋势的到来,数据隐私受到了威胁,因为云可以访问可能包含敏感信息(如医疗或金融数据)的数据库和查询。已经提出了大量用于查询加密数据库的工作,其中主要集中在安全关键字搜索上。在本文中,我们而是专注于支持安全的天际线查询处理加密外包数据库,在那里做了很少的工作。天际线查询是一种高级数据库查询,对于多准则决策系统和应用程序非常重要。我们提出了SecSkyline,一个新的系统框架,建立在轻量级密码学的快速隐私保护天际线查询。SecSkyline不仅为外包数据库、查询和结果的内容机密性提供了强有力的保护,而且还为可能导致间接数据泄漏的数据模式提供了强有力的保护,例如数据点之间的支配关系和搜索访问模式。大量的实验表明,SecSkyline是大大优于国家的最先进的查询延迟,高达813 $\times$的改善。
2022-11-03 cs.CR cs.DB
IncShrink: Architecting Efficient Outsourced Databases using Incremental MPC and Differential Privacy
在本文中,我们考虑安全外包增长的数据库,支持基于视图的查询回答。这些数据库允许不受信任的服务器私下维护物化视图,使得它们可以仅使用物化视图来处理查询请求,而不是访问从中导出视图的原始数据。为了解决这个问题,我们设计了一个新的基于视图的安全外包增长数据库框架,Incshrink。该解决方案的主要特点是:(i)Incshrink使用增量MPC操作器维护视图,无需预先使用可信的第三方,以及(ii)为了确保高性能,Incshrink保证在存在更新的情况下泄漏满足DP。据我们所知,没有现有的系统具有这些属性。我们展示了Incshrink的实际可行性,在效率和准确性方面,对真实世界的数据集和TPC-DS基准进行了广泛的实证评估。评估结果表明,Incshrink在隐私、准确性和效率保证方面提供了三方面的权衡,并且与不支持基于视图的查询范式的标准安全外包数据库相比,提供了至少7,800倍的性能优势。
2022-03-09 cs.CR cs.DB
On enforcing function diagram commutativity and anti-commutativity constraints in MatBase
提出在 MatBase 中基于 (E)MDM 自动强制执行函数图交换性与反交换性约束的算法,并通过地理数据库实例说明其代码生成与应用价值。
2024-08-07 cs.DB
Translating database mathematical schemes into relational database software applications with MatBase
Ovidius University at Constanta(康斯坦察奥维迪乌斯大学)
本文提出将MatBase中的数学数据模型方案转换为关系模型及非关系约束的伪代码算法,并展示了其高效性与完整性,通过基因谱系子宇宙的数学方案应用,提供SQL和VBA代码示例及开发指南。
2026-05-11 cs.DB
Location- and Time-Dependent VPD for Privacy-Preserving Wireless Accesses to Cloud Services
近年来智能手机的出现改变了无线领域。智能手机已经成为云数据库的在线用户界面的平台。云数据库可以提供大量的用户私有和敏感数据(即,对象),而智能手机用户(即,对象)提供位置敏感信息。近年来,在无线访问云数据库中的安全和私有服务一直在积极讨论。然而,先前的技术对于移动对象的无线接入的动态性是不令人满意的。在本文中,我们提出了一种新的技术,动态生成虚拟专用数据库(VPD)的每次访问,考虑到主题的位置和时间信息。本文的贡献包括一个隐私保护的访问控制机制的动态无线接入。
2011-12-12 cs.CR cs.DB
Privacy-Preserving Record Linkage
给定包含由不同组织持有的个人特定数据的多个数据库,隐私保护记录链接(PPRL)旨在基于个人识别属性(例如姓名和地址)的匹配来识别和链接不同数据库中对应于同一实体/个人的记录,而不会由于隐私问题而泄露这些属性中的实际值。这个参考工作条目定义了PPRL问题,回顾了文献和关键发现,并讨论了应用和研究挑战。
2022-12-12 cs.CR cs.DB
Design of Policy-Aware Differentially Private Algorithms
研究了误差最优差分隐私算法的设计问题。将差分隐私应用于现实世界设置的最近工作已经使用了差分隐私的变体,其适当地修改了相邻数据库的概念。为这种差分隐私的变体设计误差最优算法的问题是开放的。在本文中,我们提出了一种新的转换等价的结果,可以把查询回答的问题下差分隐私与修改后的概念的邻居查询回答下标准的差分隐私,一个大类的邻居定义。我们利用Blowfish隐私框架,概括了差分隐私。Blowfish使用{\em policy graph}来实例化相邻数据库的不同概念。我们表明,在回答工作负载$\mathbf{W}$数据库$\mathbf{x}$根据河豚策略图$G$时所产生的错误是相同的,以回答转换工作负载$f_G(\mathbf{W})$数据库$g_G(\mathbf{x})$根据标准差分隐私,其中$f_G$和$g_G$是线性变换的基础上$G$。利用这一结果,我们开发的错误有效的算法释放直方图和多维范围查询不同的河豚政策。我们相信,我们开发的工具将有助于找到机制,以回答许多其他类别的查询,在其他政策图低错误。
2015-11-20 cs.CR cs.DB
On the Benefits of Sampling in Privacy Preserving Statistical Analysis on Distributed Databases
我们考虑一个问题,其中相互不信任的管理者拥有垂直分区数据库的部分,其中包含有关一组个人的信息。我们的目标是使授权方能够从数据库中获得汇总(统计)信息,同时保护个人的隐私,我们使用差分隐私将其形式化。这个过程可以通过不受信任的服务器来促进,该服务器提供存储和处理服务,但不应该了解有关数据库的任何信息。这项工作描述了一种数据发布机制,该机制采用后随机化(PRAM),加密和随机采样来维护隐私,同时允许授权方对数据进行准确的统计分析。加密确保存储服务器不会获得有关数据库的任何信息,而PRAM和采样确保针对授权方维护个人隐私。我们描述了与单独使用PRAM相比,随机采样与PRAM的组合增加了系统的差分隐私。我们还分析了我们的系统的统计效用,通过限制估计误差-真实经验分布和估计分布之间的预期l2范数误差-作为样本数,PRAM噪声和其他系统参数的函数。我们的分析显示了增加PRAM噪声与减少样本数量之间的权衡,以保持所需的隐私水平,我们确定了平衡这种权衡并最大化效用的最佳样本数量。在UCI“成人数据集”和综合生成的数据的实验模拟中,我们确认理论预测的最佳样本数确实接近最小经验误差,并且我们的分析误差范围与经验结果匹配良好。
2013-04-16 cs.CR cs.DB cs.DS
Differential privacy for counting queries: can Bayes estimation help uncover the true value?
差分隐私是通过在查询响应中引入拉普拉斯噪声来实现的,从而在差分隐私级别和数据库响应的准确性之间建立精确的权衡(通过引入的噪声量)。多个查询可以提高准确性,但会侵蚀隐私预算。我们研究的情况下,我们提交了一个单一的计数查询。我们表明,即使在这种情况下,贝叶斯方法可以用来提高精度相同数量的噪声注入,如果我们知道的数据库的大小和查询的积极响应的概率。
2014-07-01 cs.CR cs.DB
On enforcing dyadic-type homogeneous binary function product constraints in MatBase
本文针对数据库中齐次二元函数乘积的属性强制执行问题,描述了MatBase智能数据知识库系统中用于强制执行18种二元型齐次二元函数乘积约束类型的算法,为开发者提供自动化约束代码生成的解决方案。
2024-03-21 cs.DB
Scalable Multi-Database Privacy-Preserving Record Linkage using Counting Bloom Filters
隐私保护记录链接(PPRL)旨在集成来自不同组织的多个不同数据库的敏感信息。PPRL方法在医疗保健、国家安全和商业等实际应用领域中的需求越来越大。以前的办法主要侧重于只连接两个数据库以及使用一个专门的连接单位。将PPRL扩展到更多的数据库(多方PPRL)是一个开放的挑战,因为隐私威胁以及记录链接的计算和通信成本随着数据库的数量显着增加。因此,我们提出了一种新的编码方法的敏感数据的基础上计数布隆过滤器(CBF),以提高隐私的多方PPRL。我们还研究了优化,以减少通信和计算成本的CBF为基础的多方PPRL与不使用一个专用的链接单元。用真实数据集进行的实证评估表明了所提出的方法的可行性,并证明了其可扩展性,链接质量和隐私保护。
2017-01-05 cs.DB
Privacy-Preserved Neural Graph Databases
Hong Kong University of Science and Technology(香港科技大学)
针对神经图数据库可能由复杂逻辑查询推断敏感信息的问题,本文提出P-NGDB框架,通过对抗训练使私有查询答案不可区分,以缓解隐私泄露。
2024-06-18 cs.CR cs.DB cs.LG
Inference-Aware & Privacy-Preserving Deletion in Databases
University of California, Irvine(加州大学尔湾分校);Hasso Plattner Institute, University of Potsdam(波茨坦大学哈索·普拉特纳研究所);Banaras Hindu University(贝拿勒斯印度教大学)
本文提出从推理角度出发,研究数据库删除中的隐私保护问题,分析删除后状态和删除模式的泄露渠道,探讨具有实际隐私保障的删除机制设计。
2026-03-31 cs.DB
Turbo: Effective Caching in Differentially-Private Databases
提出Turbo缓存层,基于PMW机制构建PMW-Bypass,利用外部DP机制的历史查询结果免费准确回答未来线性查询,显著节约隐私预算并支持范围查询。
2023-10-23 cs.CR cs.DB
Adore: Differentially Oblivious Relational Database Operators
针对差分遗忘能否优于完全遗忘处理数据库的开放问题,本文设计并实现选择投影、分组聚合和外键连接三类差分遗忘算子,证明其隐私性质并实现最高7.4倍加速。
2023-09-29 cs.CR cs.DB
On Enforcing Satisfiable, Coherent, and Minimal Sets of Dyadic Relation Constraints in MatBase
本文在(初等)数学数据模型((E)MDM)语境下定义了二元关系约束的核心数学概念及推论,提出MatBase原型系统的伪代码算法以强制实施约束集,证明其可保证约束集的可满足性、一致性和最小性等特性,并展示了相关界面与元目录表。
2024-11-29 cs.DB
Privacy Aspects of Provenance Queries
给定一个大数据库的查询结果,why-provenance可以用来计算这个数据库的必要部分,包括所谓的证人。如果该数据库包含个人数据,则隐私保护必须防止公布这些证人。这意味着在发布原始数据(出处)和保护这些数据(隐私)之间存在自然的利益冲突。在本文中,隐私超越了个人数据保护的概念。本文将隐私权的定义扩展为知识产权保护。如果起源信息不足以重建查询结果,则必须发布诸如证人或起源多项式之类的附加数据以保证可追溯性。然而,如果可以从原始数据库中导出(明显)多于所需的元组,则发布此出处信息可能会成为一个问题。在这一点上,已经有可能违反隐私策略,只要准标识符包含在该出处信息中。通过这张海报,我们指出了根本问题,并讨论了解决方案的初步建议。
2021-01-12 cs.DB
Differential Privacy for Growing Databases
我们研究的差异私有算法的设计动态增长的数据库,其中一个数据库积累新的数据录入,而分析正在进行中的自适应分析。我们提供了一系列用于机器学习和其他类型数据分析的工具,这些工具可以在底层数据库任意增长时保证差分隐私和准确性。我们给出了动态增长数据库的自适应分析的一般技术和具体算法。我们的一般技术说明了两个算法,调度黑盒访问的一些算法,在一个固定的数据库上操作,一般转换为私人和准确的算法为静态数据库的私人和准确的算法动态增长的数据库。这些结果表明,几乎任何私有和精确的算法都可以在数据增长的适当点上以最小的准确性损失进行验证,即使数据增长是无限的。我们的特定算法直接将私有乘性权重算法适应于动态设置,通过无界数据增长保持静态设置的准确性保证。一路上,我们开发了其他几个不同的私人算法的动态设置,这可能是独立的兴趣,为未来的工作设计的差异私人算法不断增长的数据库的扩展。
2018-03-16 cs.DB cs.DS
E-Tenon: An Efficient Privacy-Preserving Secure Open Data Sharing Scheme for EHR System
从纸质信息到电子健康记录(EHR)的转变推动了现代医疗保健行业的各种进步。在许多情况下,患者需要与医疗保健专业人员分享他们的EHR。鉴于EHR的敏感性和安全性至关重要,必须考虑存储和共享EHR的安全性和隐私问题。然而,现有的安全解决方案过度加密整个数据库,因此需要为每个访问请求解密整个数据库,这是一个耗时的过程。另一方面,EHR用于医学研究(例如,精确医学,诊断技术的发展)以及医疗保健组织实践的优化,需要对EHR进行分析,为此,它们应该在不损害患者隐私的情况下易于访问。在本文中,我们提出了一种名为E-Tenon的高效技术,该技术不仅可以安全地保持所有EHR可公开访问,而且还提供了所需的安全功能。据我们所知,这是第一个开放数据库用于保护EHR的工作。E-Tenon使患者能够在自己定义的多层次,细粒度的访问策略下安全地共享他们的EHR。分析表明,我们的系统优于现有的解决方案在计算复杂性。
2022-07-12 cs.CR cs.DB
Differential Privacy for Relational Algebra: Improving the Sensitivity Bounds via Constraint Systems
差分隐私是隐私保护数据分析中的一种现代方法,用于控制通过查询数据库可以推断出的关于个人的信息量。最常见的技术是基于概率噪声的引入,通常定义为查询敏感度的拉普拉斯参数。为了最大化查询的效用,尽可能精确地估计敏感度是至关重要的。在本文中,我们认为关系代数,在关系数据库查询的经典语言,我们提出了一种方法,计算的灵敏度上的查询在一个直观的组合方式。我们使用基于约束的技术来积累查询的各个组件所提供的属性的可能值的信息,从而可以计算灵敏度的严格界限。
2012-07-04 cs.CR cs.DB
Privacy-preserving Deep Learning based Record Linkage
Commonwealth Science and Industrial Research Organisation (CSIRO)(联邦科学与工业研究组织(CSIRO));Macquarie University(麦考瑞大学)
基于深度学习的跨不同数据库的记录链接在数据集成和挖掘应用中变得越来越有用,以从多个数据源中发现新的见解。然而,由于隐私和保密性问题,组织通常不愿意或不允许与任何外部方共享其敏感数据,从而使得构建/训练用于跨不同组织的数据库的记录链接的深度学习模型具有挑战性。为了克服这一限制,我们提出了第一个基于深度学习的多方隐私保护记录链接(PPRL)协议,该协议可用于链接多个不同组织持有的敏感数据库。在我们的方法中,每个数据库所有者首先训练一个本地深度学习模型,然后将其上传到一个安全的环境中,并安全地聚合以创建一个全局模型。然后,链接单元使用全局模型来将未标记的记录对区分为匹配和非匹配。我们利用差分隐私来实现可证明的隐私保护,以防止重新识别攻击。我们使用几个大型的现实世界的数据库,我们的方法的链接质量和可扩展性进行评估,表明它可以实现高链接质量,同时提供足够的隐私保护对现有的攻击。
2022-11-03 cs.CR cs.DB cs.DS
An Algebraic Topological Approach to Privacy: Numerical and Categorical Data
在本文中,我们投的经典问题,实现k-匿名给定的数据库作为一个问题的代数拓扑。使用这个数学领域的技术,我们提出了一个框架,为k-匿名,带来了新的见解和算法,匿名数据库。我们从处理数据位于度量空间的简单情况开始。这个案例有助于介绍主要思想和符号。具体来说,通过将数据库映射到欧几里得空间,并考虑数据点之间的距离,我们引入了一个简单的表示的数据,并显示如何从代数拓扑的概念,如神经复合体和持久的同源性,可以有效地获得整个频谱的k-匿名的数据库的各种值的k和水平的推广。对于这种表示,我们提供了一个分析表征的条件下,给定的数据集表示是k-匿名的。我们引入了一个加权的条形码图,在这种情况下,成为一个计算工具,以权衡数据匿名性与数据丢失表示为泛化水平。最后通过仿真结果说明了本文的主要思想。最后,我们讨论了如何扩展这种方法,以解决一般情况下的分类和度量数据的混合。
2016-02-22 cs.CR cs.DB
Interactive Privacy via the Median Mechanism
我们定义了一个新的交互式差分私有机制-中位数机制-回答任意谓词查询到达网上。相对于固定的准确性和隐私约束,该机制可以回答指数更多的查询比以前最知名的交互式隐私机制(拉普拉斯机制,独立地扰动每个查询结果)。我们的保证几乎是最好的,即使是非交互式隐私机制。从概念上讲,中值机制是第一个能够识别和利用交互式设置中查询之间的相关性的隐私机制。我们还给出了一个有效的实现的中位数机制,与运行时间多项式的查询数量,数据库的大小,和域的大小。这种高效的实现保证了所有输入数据库的隐私,以及几乎所有输入数据库的准确查询结果。在这种机制中的查询的数量上的隐私的依赖性,提高了由一个超多项式因子,即使在非交互式设置的最好的先前已知的有效的机制。
2011-01-19 cs.CC cs.CR cs.DB
On Enforcing Satisfiable, Coherent, and Minimal Sets of Self-Map Constraints in MatBase
本文在(E)MDM语境下定义了自映射等数学概念及其作为数据库约束的连贯性与最小性推论,并提出了MatBase中用于强制执行映射约束集的伪代码算法,证明了其能保证可满足性、连贯性和最小性且快速可靠。
2025-01-31 cs.DB
Measuring Database Unfairness via Dependency Quantification Under Differential Privacy
Hebrew University(希伯来大学)
提出一个形式化框架,在差分隐私下通过三种互补度量(基于互信息、数据修复和top-k元组贡献)量化数据不公平性,并设计隐私保护算法进行有效近似。
2026-05-21 cs.DB
Uniqueness ratio as a predictor of a privacy leakage
University of Essex(埃塞克斯大学)
本研究提出通过唯一性比率预测连接前隐私泄露风险,为数据工程师提供可解释的预连接风险评估信号。
2025-12-07 cs.CR cs.DB cs.LG
Digital Blind Box: Random Symmetric Private Information Retrieval
介绍了随机对称私有信息检索(RSPIR)问题。在规范PIR中,用户从来自$N$非串通和复制数据库的$K$消息中下载消息,使得没有数据库可以知道用户下载了哪个消息(用户隐私)。在SPIR中,保密性是对称的,因为不仅数据库不能知道用户下载了哪个消息,用户本身也不能了解它下载的特定消息以外的任何东西(数据库保密性)。在RSPIR中,与SPIR不同,用户没有对数据库的输入,即,用户不挑选特定消息来下载,而是满足于任何一个消息。在RSPIR中,数据库需要以这样的方式向用户发送符号,即保证用户正确下载消息(随机可靠性),数据库不知道用户收到了哪条消息(用户隐私),并且用户除了收到的一条消息之外不会了解任何其他信息(数据库隐私)。这是盲盒的数字版本,也被称为gachapon,它实现了上述指定的设置与娱乐的物理对象。这也是$1$的盲版-- $K$外不经意传输(OT),一种重要的加密原语。我们研究的情况下,$N=2$数据库的RSPIR的信息理论的能力。我们确定其确切的容量为$K = 2, 3, 4$消息的情况下。虽然我们提供了一个通用的可实现的方案,适用于任何数量的消息,$K\geq 5$的能力仍然开放。
2022-05-16 cs.CR cs.DB cs.IT
Private Quantum Database
Mondragon University(蒙德拉贡大学);University of Antwerp(安特卫普大学);Delft University of Technology(代尔夫特理工大学)
该研究提出一种利用量子力学保护数据隐私和用户隐私的量子数据库,通过量子随机访问码和互不偏倚基实现高效隐私保障。
2025-11-22 cs.DB quant-ph
Output Privacy Protection With Pattern-Based Heuristic Algorithm
隐私保护数据采掘(Privacy Preserving Data Mining,PPDM)是一个正在进行的研究领域,旨在弥合协同数据采掘和数据机密性之间的差距。这种方法保证了输出的隐私性,防止挖掘的模式(项集)的恶意推理问题。提出了一种基于模式的Maxcover算法,并给出了实验结果。该算法最大限度地减少了源数据库和已发布数据库之间的不相似性;此外,即使具有任意低的支持度阈值,对手或对手也无法从已发布数据库中检索到受保护的模式。
2014-05-08 cs.DB
Efficient and Private Approximations of Distributed Databases Calculations
近年来,越来越多的数据是在不同的数据库中收集的,而且往往是不合作的数据库。隐私保护的问题,分布式计算在分离的数据库和,相对于它,私人数据发布的问题进行了深入的研究。然而,尽管取得了相当大的进步,但由于数据大小的增加,计算复杂性仍然是现实世界部署中的限制因素,特别是在隐私保护计算的情况下。在本文中,我们提出了一个通用的方法进行数据采样的分布式计算的性能和准确性之间的权衡。抽样是一个广泛研究的主题,最近受到了极大的关注。我们提供了一种针对独立的,非协作的,垂直分区的数据集的采样方法。通过实例验证了该方法的有效性,并分别在不带隐私保护机制和带隐私保护机制的情况下对交集进行了逼近。分析了误差的界作为样本容量的函数进行了讨论,并提出了启发式算法,以进一步提高性能。实验结果证明了该方法的有效性。
2016-05-19 cs.DB
Database as a Service - Current Issues and Its Future
随着云应用的普及,数据库即服务(DBaaS)成为为云应用提供可靠、灵活的数据存储服务的一种很有前途的方法。它为云开发人员提供了许多有趣的功能,但是,它也有一些缺点:学习曲线和开发周期长,缺乏对NoSQL的深入支持,缺乏对安全和隐私的灵活配置,以及高成本模型。在本文中,我们调查了当前DBaaS提供商中的这些问题,并提出了一种新的三位一体模型,可以显着减少学习曲线,提高安全性和隐私性,并加快数据库设计和开发。我们进一步阐述了我们正在进行的和未来的工作,使用这种新的DBaaS模型开发大型现实世界的SaaS项目。
2018-04-02 cs.DB
A Data- and Workload-Aware Algorithm for Range Queries Under Differential Privacy
我们描述了一个新的算法,回答一组给定的范围查询$ε$ -差分隐私,往往实现大大低于竞争的方法的错误。我们的算法满足差分隐私通过添加噪声,适应于输入数据和给定的查询集。我们首先私下学习将域划分为适合输入数据的桶。然后,我们私下估计每个桶的计数,这样做的方式非常适合给定的查询集。由于该算法的性能取决于输入数据库,我们评估了广泛的真实数据集,表明我们可以实现的好处,数据依赖于“容易”和“硬”数据库。
2014-10-01 cs.DB
On Addressing Efficiency Concerns in Privacy Preserving Data Mining
数据采掘服务需要准确的输入数据,以使其结果有意义,但隐私问题可能会影响用户提供虚假信息。为了鼓励用户提供正确的输入,我们最近提出了一个数据失真方案的关联规则挖掘,同时提供隐私的用户和准确性的挖掘结果。然而,与挖掘原始数据库相比,挖掘变形数据库可能要花费多几个数量级的时间。在本文中,我们解决这个问题,并证明,通过(a)推广的失真过程,以执行特定符号的失真,(b)适当地选择失真参数,(c)在重建过程中应用各种优化,运行时的效率,以及在一个数量级的非失真挖掘可以实现。
2003-10-17 cs.DB
Recursive Mechanism: Towards Node Differential Privacy and Unrestricted Joins [Full Version, Draft 0.1]
现有的差分隐私研究主要考虑数据集上的聚合,其中每个条目对应于要保护的特定参与者。在许多情况下,用户可能会对敏感数据库提出关系代数查询,并希望对查询结果进行差异化私有聚合。但是,当查询包含不受限制的联接操作时,没有已知的工作能够释放这种聚合。这严重限制了现有的差分隐私技术的应用,因为许多数据分析任务需要无限制的连接。一个例子是图上的子图计数。现有的差分隐私子图计数方法只解决边差分隐私问题,并且受到非常简单的子图的影响。在此之前,任何非平凡的图统计数据是否可以在节点差分隐私下以合理的精度发布仍然是一个悬而未决的问题。在本文中,我们提出了一种新的差分私有机制,释放一个近似的线性统计的结果,一些积极的关系代数计算敏感数据库。我们的机制支持无限制的连接。近似答案的误差界大致与查询的\emph{empirical sensitivity}成比例-这是一个新概念,用于测量当参与者从敏感数据库中撤回其数据时查询答案的最大可能变化。对于子图计数,我们的机制提供了第一个解决方案,以实现节点差分隐私,任何类型的子图。
2013-04-17 cs.DB
The Privacy Funnel from the viewpoint of Local Differential Privacy
我们考虑一个数据库$\vec{X} = (X_1,\cdots,X_n)$包含$n$用户的数据。数据聚合器想要公开数据库,但希望净化数据集以隐藏与$X_i$相关的敏感数据$S_i$。在隐私漏斗中考虑此设置,隐私漏斗使用互信息作为泄漏度量。这种方法的缺点是互信息不能给出最坏情况的保证,并且找到最佳的消毒协议可能在计算上是禁止的。我们解决这些问题,通过使用差分隐私指标,并通过考虑本地协议的一个条目上的时间。我们表明,在本地差分隐私和本地信息隐私泄漏指标,可以有效地获得最佳协议,但是,本地信息隐私都更紧密地结合隐私漏斗的隐私要求的情况下,更有效地计算。我们还考虑的情况下,每个用户都有多个属性(即$X_i = (X^1_i,\cdots,X^m_i)$),我们定义\emph{Side-channel Resistant Local Information Privacy},我们给出了有效的方法来找到满足这一标准的协议,同时仍然提供良好的实用程序。探索性实验证实了这些方法的有效性。
2020-03-07 cs.CR cs.DB cs.IT
Non-Interactive Differential Privacy: a Survey
全球范围内的OpenData运动要求更多地访问锁定在公共或私人服务器中的信息。正如麦肯锡出版物最近报道的那样,这些数据具有重要的经济价值,但其发布有可能公然与人们的隐私相冲突。英国政府最近的调查显示,各方都对匿名数据库的发布表示担忧,因为通过链接攻击的方式识别用户的可能性很大。差分隐私作为一个模型脱颖而出,它提供了强有力的形式化保证的匿名性的参与者在一个消毒的数据库。然而,只有最近的结果才证明了它在现实生活数据集上的适用性。本文通过回顾差分隐私在匿名真实数据集的非交互式发布中的应用,涵盖了这些突破性的发现。理论,实用程序和数据感知的比较讨论了各种原则和具体应用。
2012-05-11 cs.DB
On Enforcing Existence and Non-Existence Constraints in MatBase
针对关系 DBMS 普遍缺乏存在约束的问题,论文介绍 MatBase 如何基于关系模型与数学数据模型支持存在及非存在约束,并自动生成实施代码,重点阐述相应算法。
2024-05-19 cs.DB
Resolving the Complexity of Some Data Privacy Problems
我们正式研究了两种在数据库社区中广泛使用的数据卫生方法:k-匿名和l-多样性。我们解决了几个公开的问题,这些方法的最佳应用的困难,证明积极和消极的结果:1。2-匿名在P.2。将无三角形图的边划分为4-星(3度顶点)的问题是NP-困难的。这产生了另一种证明,即即使数据库属性都是二进制的,3-匿名也是NP难的。3. 3-每个记录只有27个属性的匿名性是MAX SNP硬的。4.对于n行的数据库,k-匿名是O(4^n poly(n))时间,对于所有k > 1。5.对于具有n行和l <= log_{2c+2} log n个属性的数据库,在基数为c = O(1)的字母表上,k-匿名在P中。假设c,l = O(1),k-匿名在O(n)中。6. 3-具有二元属性的多样性是NP难的,具有一个敏感属性。7. 2-具有二值属性的多样性是NP难的,具有三个敏感属性。
2010-04-23 cs.CC cs.DB
Privacy-Preserving Secret Shared Computations using MapReduce
数据外包允许数据所有者将其数据保存在\emph{untrusted}云中,而这些云无法确保数据和/或计算的隐私。MapReduce是一个用于分布式容错数据处理的有用框架,它是为\emph{trusted}私有云开发的。本文提出了基于Shamir的秘密共享方案的数据外包算法,以及在使用MapReduce作为底层编程模型的同时执行隐私保护SQL查询的算法,例如计数,选择(包括范围选择),投影和连接。我们提出的算法防止对手知道数据库或查询,同时也防止输出大小和访问模式的攻击。有趣的是,我们的算法不涉及数据库所有者,它只创建和分发秘密共享一次,在回答任何查询,因此,数据库所有者也不能学习查询。逻辑和实验,我们评估以下参数的算法的效率:(\textit{i})的通信轮数(用户和服务器之间),(\textit{ii})的比特流的总量(用户和服务器之间),和(\textit{iii})在用户和服务器的计算负载。\B
2019-08-06 cs.CR cs.DB cs.DC
Differentially Private Data Releasing for Smooth Queries with Synthetic Database Output
我们考虑准确地回答平滑查询,同时保持差分隐私。如果查询由定义在$[-1,1]^d$上的函数指定,并且该函数的偏导数直到$K$阶都是有界的,则该查询被称为$K$ -光滑的。针对$K$ -光滑查询类,提出了一种$ε$ -差分私有机制.该算法的主要优点是它输出一个合成数据库。在实际应用中,合成数据库输出很有吸引力。我们的机制达到了$O (n^{-\frac{K}{2d+K}}/ε)$的精度,并在多项式时间内运行。我们还推广的机制,以保持$(ε, δ)$ -差分隐私略有提高的准确性。在基准数据集上的大量实验表明,该机制具有良好的准确性和效率。
2014-01-06 cs.DB stat.ML
Experiments \& Analysis of Privacy-Preserving SQL Query Sanitization Systems
Université Marie et Louis Pasteur, CNRS, institut FEMTO-ST (UMR 6174)(玛丽和路易·巴斯德大学,法国国家科学研究中心,FEMTO-ST研究所);Inria Saclay(法国国家信息与自动化研究所萨克莱中心)
本文系统分类并定量分析主流SQL查询净化系统,揭示数据效用、执行开销与隐私保证间的权衡,为隐私保护数据库技术提供结构化评估。
2025-10-15 cs.DB
cSELENE: Privacy Preserving Query Retrieval System on Heterogeneous Cloud Data
虽然在其他地方的协作团队中工作,但有时联合(巨大)数据来自异构云供应商。它不仅涉及数据隐私问题,而且还涉及如何以快速安全的方式直接从云中查询这些联邦数据。以前的解决方案提供了公共云和可信私有云之间的混合云。另一个以前的解决方案在MapReduce框架上使用加密。但挑战在于我们正在处理异构云。在本文中,我们提出了一种新的技术与隐私关注的查询。由于我们考虑了执行时间,我们的基本思想是通过划分联邦数据库来使用数据采掘模型,以减少搜索和查询时间。使用数据库的模型意味着我们只使用数据库的摘要或非常特征的模式。建模是保护隐私的第一阶段,因为通过建模,数据被符号化。我们在数据库上实现加密以保护隐私第二阶段。我们的系统名为“cSELENE”(代表“cloud SELENE”),旨在处理异构云上的联合数据:AWS,Microsoft Azure和Google Cloud Platform with MapReduce技术。本文讨论了分布式云环境下的隐私保护系统和威胁模型、联邦数据格式、并行编程(GPU编程和共享/内存系统)、数据采掘模型的并行安全算法、云基础设施/架构以及cSELENE系统的UIX设计。其他问题,如增量方法和云架构系统的安全设计(虚拟机跨平台设计)仍然是开放的讨论。实验结果表明了该高性能计算方案的有效性和实用性。
2018-05-02 cs.DB cs.IR
Increasing Transparent and Accountable Use of Data by Quantifying the Actual Privacy Risk in Interactive Record Linkage
记录链接是指将来自两个或多个数据库的数据集成在一起的任务,而无需使用公共标识符。MINDFIRL(MinimumNecessaryDisclosure For Interactive Record Linkage)是一个软件系统,它演示了交互式记录链接中实用性和隐私性之间的权衡。由于需要访问个人身份信息(PII),以准确地评估不同的记录是否涉及异构数据库中的同一个人,隐私是交互式记录链接的主要问题。MINDFIRL支持交互式记录链接,同时通过以下方式最大限度地降低隐私风险:(1)使用缩略语将识别信息与敏感信息分开,(2)在决策点按需动态地仅增量披露最少必要信息,以及(3)量化由于所需信息披露而导致的风险,以支持透明度、推理、沟通,以及隐私和实用性权衡的决定。在本文中,我们提出了一个概述的MINDFIRL系统和K-分析隐私风险(KAPR)得分用于衡量隐私风险的基础上披露的信息。我们证明,KAPR分数是一个规范,满足所有期望的属性的风险评分的互动记录链接。
2019-06-07 cs.DB
Efficient and Private Federated Trajectory Matching
针对联邦轨迹匹配中安全计算效率低的问题,提出基于地理不可区分性的GIST框架,通过新型隐私查询机制实现轨迹过滤,在保障隐私的同时大幅提升速度并降低通信成本。
2023-12-19 cs.DB
A Neural Database for Differentially Private Spatial Range Queries
移动应用程序和基于位置的服务产生大量的位置数据,这些数据可以有利于交通优化、上下文感知通知和公共健康(例如,传染病的传播)。为了保护个人隐私,必须首先净化位置数据,这通常使用强大的差分隐私(DP)概念来完成。然而,现有的解决方案没有适当地捕获空间数据固有的密度模式和相关性,并且因此产生差的精度。我们提出了一种基于机器学习的方法来回答位置数据与DP保证的统计查询。我们专注于对抗困扰现有方法的主要误差源(即均匀性误差),我们设计了一个神经数据库系统,该系统对空间数据集进行建模,即使添加了符合DP的噪声,也可以保留数据中存在的重要密度和相关性特征。我们采用了一组神经网络,它们从数据集的不同区域和不同的粒度进行学习,从而获得更高的准确性。我们还设计了一个框架,有效的系统参数调整的公共数据,这有助于从业者设置重要的系统参数,而不必花费稀缺的隐私预算。在具有异构特征的真实数据集上的大量实验结果表明,我们提出的方法显着优于现有技术。
2021-08-03 cs.DB
SIMD-PAC-DB: Pretty Performant PAC Privacy
CWI(荷兰数学与计算机科学研究学会);MIT(麻省理工学院)
本文提出SIMD-PAC-DB,通过单次查询实现与原PAC-DB相同隐私保护结果,大幅提升性能与实用性。
2026-03-19 cs.DB
Embedding based Encoding Scheme for Privacy Preserving Record Linkage
Data61
针对隐私保护记录链接问题,本文提出一种基于嵌入的编码方案,将q-grams转换为嵌入向量并生成二进制表示以进行匹配,实验证明该方法在提升链接准确性的同时有效保护了实体隐私。
2025-11-01 cs.DB
Achieving Data Privacy through Secrecy Views and Null-Based Virtual Updates
在关系数据库中可能存在敏感信息,我们可能希望对用户或用户组隐藏这些信息。在这项工作中,敏感数据的特点是一组保密意见的内容。对于没有权限访问敏感数据的用户,他查询的数据库实例将被更新,以使视图的内容为空或仅包含具有空值的元组。特别是,如果这个用户对这些视图中的任何一个提出查询,则不会返回任何有意义的信息。由于数据库不需要进行物理更改以产生此结果,因此更新只是虚拟的。也是最小的。这些最小的更新反映在保密视图内容中,并且还反映在查询答案在隐私保护的同时也是最大信息量的事实中。虚拟更新基于SQL标准中使用的空值。我们提供了保密视图和虚拟更新的语义。底层数据库虚拟更新的不同方式被指定为具有稳定模型语义的逻辑程序的模型。该程序成为计算查询的“秘密答案”的基础,即那些不泄露敏感信息的答案。
2012-04-05 cs.DB cs.LO
Entity-Aware and Secure Query Optimization in Database Using Named Entity Recognition
Department of Computer Science, American International University-Bangladesh(计算机科学系,美国国际大学-孟加拉)
本研究提出一种结合命名实体识别和加密技术的数据库查询优化框架,提升隐私保护和查询效率。
2026-01-03 cs.CL cs.DB