Utility-Preserving Privacy Mechanisms for Counting Queries
差分隐私(DP)和局部差分隐私(LPD)是保护数据汇集中的敏感信息的框架。两者都是基于混淆。在DP中,噪声被添加到对数据集的查询结果中,而在LPD中,噪声在被收集之前被直接添加到单个记录上。LPD相对于DP的主要优点是它不需要假设可信第三方。主要缺点是隐私和实用性之间的权衡通常比DP中更差,并且通常要从本地净化的数据中检索合理的良好统计数据,需要收集大量的统计数据。在本文中,我们专注于估计计数查询的问题,从收集嘈杂的答案,我们提出了一个变种的LDP的基础上添加几何噪声。我们的主要结果是,几何噪声具有更好的统计效用比其他LPD机制从文献中。
2019-06-28 cs.CR
Differentially Private Query Learning: from Data Publishing to Model Publishing
随着大数据和云数据共享的发展,隐私保护数据发布成为近十年来最重要的研究课题之一。差分隐私作为最有影响力的隐私定义之一,为数据发布提供了严格的、可证明的隐私保障。不同的私有交互发布在许多应用中实现了良好的性能;然而,在大数据时代,策展人必须批量发布大量查询或合成数据集。为了在差分隐私的约束下提供准确的非交互式发布结果,需要解决两个挑战:一个是如何降低大查询集之间的相关性,另一个是如何预测新的查询。传统的差分隐私机制难以解决这两个问题。本文将数据发布问题转化为机器学习问题,将查询视为训练样本,发布的是预测模型,而不是查询结果或合成数据集。当模型发布时,它可以用来回答当前提交的查询,并预测来自公众的新查询的结果。与传统方法相比,该预测模型提高了非交互式出版查询结果的准确性。实验结果表明,该方案在大规模查询集上的平均绝对值方面优于传统的差分隐私。这也表明学习模型可以成功地保留已发布查询的实用性,同时保护隐私。
2017-10-13 cs.CR
Is External Database Protection Static in Retrieval-Augmented Generation? Rethinking Privacy Preservation under Dynamic Queries
School of Computer Science and Technology, Beijing Institute of Technology(北京理工大学计算机学院);Department of Computer Science and Technology, Tsinghua University(清华大学计算机科学与技术系)
研究检索增强生成中外部数据库隐私保护问题,提出Prompt-Aware动态分层差分隐私框架PA-HDP,通过风险分层评估和自适应保护,在减少隐私泄露的同时保持高检索质量,实现更好的隐私-效用权衡。
2026-07-17 cs.CR
Private Aggregate Queries to Untrusted Databases
本文提出了一种通用的信息论PIR框架,支持在单轮交互中对不可信数据库执行隐私保护的复杂聚合查询,且不增加额外开销。
2024-03-20 cs.CR
Adjusting Queries to Statistical Procedures Under Differential Privacy
我们认为一个数据集$S$持有的机构,和一个矢量查询的兴趣,$f(S) \in \mathbb{R}^k$,由分析师提出,其中包含所需的信息,某些计划的统计推断。该机构使用众所周知的高斯机制发布所请求的带有噪声的向量查询,该噪声保证给定级别的差分隐私- DP $(\varepsilon,δ)$。分析师可以选择提出向量查询$f(S)$,或者通过适当的转换来调整它,这可以使机构的响应更具信息性。对于任何给定级别的隐私DP $(\varepsilon,δ)$决定的机构,我们研究自然的情况下,分析师可以实现更好的统计推断,通过调整查询一个合适的简单的显式变换。
2021-10-12 cs.CR
Towards Practical Differential Privacy for SQL Queries
差分隐私承诺在保护个人隐私的同时实现通用数据分析,但现有的差分隐私机制不支持现实世界中基于SQL的分析系统中使用的各种各样的功能和数据库。本文提出了第一个实用的方法,差分隐私的SQL查询。使用810万真实世界的查询,我们进行了实证研究,以确定实际的差分隐私的要求,并讨论了以前的方法的局限性,根据这些要求。为了满足这些要求,我们提出了弹性灵敏度,一种新的方法近似的局部灵敏度查询一般equijoins。我们证明了弹性敏感性是局部敏感性的上界,因此可以使用任何基于局部敏感性的机制来执行差分隐私。我们建立了FLEX,一个实用的端到端系统,使用弹性敏感性来执行SQL查询的差分隐私。我们证明了FLEX与任何现有的数据库兼容,可以为现实世界的SQL查询实施差分隐私,并产生可以忽略不计(0.03%)的性能开销。
2018-09-04 cs.CR cs.DB
Measuring Membership Privacy on Aggregate Location Time-Series
虽然位置数据对于各种应用程序都非常有价值,但披露它会对个人隐私造成严重威胁。为了限制这种担忧,组织通常向分析师提供聚合时间序列,其指示,例如,某个时间间隔内有多少人在某个地点,而不是原始的个人痕迹。在本文中,我们进行了测量研究,以了解成员推断攻击(MIA)的聚合位置时间序列,其中一个对手试图推断是否一个特定的用户有助于聚合。我们发现,贡献的数据量,以及用户的移动模式的规律性和特殊性,在攻击的成功发挥了至关重要的作用。我们实验了广泛的防御的基础上推广,隐藏和扰动,并评估他们的能力,以挫败攻击相对于效用损失,他们介绍了各种移动性分析任务。我们的研究结果表明,一些防御失败的全面,而其他工作的特定任务的聚合位置时间序列。例如,抑制小计数可以用于热点排名、预测流量的数据概括、热点发现和地图推理,而采样在数据集稀疏时对于位置标记和异常检测是有效的。差异隐私技术仅在非常特定的设置中提供合理的准确性,例如,发现热点并预测其流量,在使用较弱的隐私概念(如人群混合隐私)时更是如此。总的来说,我们的测量结果表明,不存在一个独特的通用防御,可以保留任意应用程序的分析的效用,并提供有用的见解有关的消毒聚合位置时间序列的披露。
2020-04-27 cs.CR
Optimizing Histogram Queries under Differential Privacy
差分隐私是一种强大的隐私标准,已成功应用于一系列数据分析任务。尽管最近的工作,回答相关查询的集合的最佳策略是不知道的。我们研究的问题,设计一组策略查询,提交和回答私人,这将支持一个给定的查询工作量的答案。我们提出了一个一般的框架,在该框架中,查询策略是由计数查询的线性组合形成的,我们描述了一种最佳方法,用于从策略查询的答案中获得新的查询答案。使用这个框架,我们的错误的战略几何特征,我们提出了解决问题的最佳策略。
2010-09-06 cs.CR cs.DB
A Seed for Privacy -- semi-automatic privacy-revealing data detection in databases and data streams
University of Olso(奥斯陆大学)
研究针对共享数据库和数据流中隐私泄露问题,开发pArborist工具,结合数据模式与生产者输入,半自动创建查询识别标记隐私泄露事件,实验显示其在召回率、精确率及检测能力上表现出色,远超现有方法。
2026-07-16 cs.CR cs.DB cs.LG
Answering Summation Queries for Numerical Attributes under Differential Privacy
在这项工作中,我们探讨了在差分隐私下回答一组求和查询的问题。这是一个不太容易理解的问题,特别是在数值域的情况下。我们表明,传统的技术从文献中并不总是最好的选择,更严格的方法是必要的,以开发低误差算法。
2019-08-27 cs.CR cs.DB
Differential Privacy of Aggregated DC Optimal Power Flow Data
我们考虑的问题,私人发布聚合网络统计数据从解决直流最优潮流(OPF)问题。结果表明,确定噪声分布参数的机制与电力系统的拓扑结构和网络的单调性有关。我们推导出一个措施的“几乎”单调性,并展示了它如何可以与线性规划,以释放聚合OPF数据使用的差分隐私框架。
2019-03-27 cs.CR math.OC
VPAS: Publicly Verifiable and Privacy-Preserving Aggregate Statistics on Distributed Datasets
针对隐私保护聚合中的输入验证与公开可验证性挑战,提出VPAS协议,结合同态加密、零知识证明和区块链,实现低开销且可验证的分布式数据安全聚合。
2024-03-22 cs.CR
Answering Counting Queries with Differential Privacy on a Quantum Computer
School of Computing, Macquarie University(麦考瑞大学计算学院);School of Mathematical and Physical Sciences, Macquarie University(麦考瑞大学数学与物理科学学院)
研究在量子编码数据集上使用差分隐私回答计数查询的方法,分析两种算法的隐私属性,并提出差分隐私的量子幅值估计算法。
2026-04-13 cs.CR quant-ph
Local Dampening: Differential Privacy for Non-numeric Queries via Local Sensitivity
差分隐私是强隐私保证下数据发布的最新形式化定义。在文献中已经提出了多种机制来释放数字查询的输出(例如,拉普拉斯机制和平滑灵敏度机制)。这些机制通过向真实查询的输出添加噪声来保证差分隐私。添加的噪声量通过查询的全局敏感性和局部敏感性的概念来校准,这些概念测量个体的添加或移除对查询的输出的影响。使用局部灵敏度的机制增加的噪声更少,因此具有更准确的答案。然而,尽管已经有一些关于使用全局敏感性来释放非数值查询的输出的通用机制的工作(例如,指数机制),文献缺乏使用局部敏感性来释放非数值查询的输出以减少查询输出中的噪声的通用机制。在这项工作中,我们弥补了这一缺点,并提出了本地阻尼机制。我们适应的概念,局部敏感性的非数值设置,并利用它来设计一个通用的非数值机制。我们提供的指数机制的理论比较,并显示在哪些条件下,本地阻尼机制比指数机制更准确。我们说明了本地阻尼机制的有效性,将其应用到三个不同的问题:(i)百分位数选择问题。我们报告数据库中的第p个元素;(ii)影响节点分析。给定一个影响力度量,我们释放前k个最有影响力的节点,同时保持网络中节点之间关系的隐私;(iii)决策树归纳。我们提供了一个私有的适应ID 3算法建立决策树从给定的表格数据集。
2022-04-14 cs.CR
Differentially Private aggregate hints in mev-share
针对mev-share中用户隐私保护与搜索者信息需求的矛盾,本文引入差分隐私聚合提示,让用户量化隐私损失并合理要求回扣,同时利用随机抽样防御女巫攻击,平衡隐私与交易效率。
2025-08-19 cs.CR
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
Sharing in a Trustless World: Privacy-Preserving Data Analytics with Potentially Cheating Participants
组织之间缺乏信任以及对其数据的隐私担忧阻碍了潜在的共生联合数据分析。我们提出DataRing,一个数据共享系统,允许相互不信任的参与者查询彼此的数据集在隐私保护的方式,同时确保输入数据集和查询答案的正确性,即使在存在(欺骗)参与者偏离他们的真实数据集。通过依赖于这样的假设,即如果只有真实数据集的一小部分行是已知的,则参与者不能提交与其真实数据集显著偏离的查询的答案。我们采用差分隐私和一套加密工具来确保每个参与者的数据集的个人隐私和系统的数据机密性。我们的结果表明,在具有10个属性和500,000条记录的数据集上评估10个查询在90.63秒内实现。DataRing可以在很少的查询中检测出偏离其真实数据集的作弊参与者,具有很高的准确性。
2021-06-18 cs.CR
Cloud-Based Approximate Constrained Shortest Distance Queries Over Encrypted Graphs With Privacy Protection
约束最短距离(CSD)查询是基本的图查询原语之一,其在总成本不超过给定阈值的约束下找到图中从原点到目的地的最短距离。CSD查询具有广泛的应用,例如电信和运输中的路由。随着云计算范例的日益流行,图所有者希望将他们的图外包给云服务器。为了保护敏感信息,这些图在外包到云端之前通常会被加密。然而,这对加密图上的CSD查询提出了很大的挑战。由于执行约束过滤是一个棘手的任务,现有的工作主要集中在无约束的最短距离查询。加密图上的CSD查询是一个开放的研究问题。在本文中,我们提出了康纳,一种新的图形加密方案,使近似CSD查询。Connor是基于一个高效的、基于树的密文比较协议构建的,并利用了密钥原语和有点同态加密,使其在计算上高效。使用Connor,图所有者可以首先加密隐私敏感的图,然后将它们外包给云服务器,从而在不失去查询能力的情况下实现必要的隐私。在真实数据集上的大量实验证明了所提出的图加密方案的有效性和效率。
2018-09-21 cs.CR
Trajectory Recovery From Ash: User Privacy Is NOT Preserved in Aggregated Mobility Data
在过去的十年里,人类移动数据已经通过蜂窝网络和移动应用程序被广泛收集,并公开发布用于学术研究和商业目的。由于发布个人的移动记录通常会引起隐私问题,因此数据集所有者倾向于仅发布聚合的移动数据,例如在特定时间戳由蜂窝塔覆盖的用户数量,这被认为足以保护用户的隐私。然而,在本文中,我们认为,并证明,即使发布聚合的移动数据可能会导致个人的轨迹隐私泄露。我们开发了一个攻击系统,该系统能够利用人类移动的独特性和规律性,在没有任何先验知识的情况下,从聚合的移动数据中恢复个人的轨迹。通过对移动应用和蜂窝网络的两个真实数据集进行实验,我们发现该攻击系统能够在数万到数十万用户规模下恢复用户轨迹,准确率约为73%~91%,这表明此类数据集存在严重的隐私泄漏。通过对聚合移动数据的调查,我们的工作认识到发布统计数据中存在的一个新的隐私问题,呼吁学术界和工业界立即关注。
2017-02-25 cs.CR cs.CY
An Uncertainty Principle is a Price of Privacy-Preserving Microdata
受隐私保护的微数据通常是差分隐私算法的期望输出,因为微数据对于下游用户来说是熟悉和方便的。然而,这种便利是有统计代价的。我们表明,一个不确定性的原则管理的利益(“总和查询”)与准确性的人口之间的权衡,其组成部分的子群体(“点查询”)。与不需要产生微数据的差分私有查询应答系统相比,准确性可以降低对数因子。例如,在纯差分隐私的情况下,在没有微数据要求的情况下,可以向和查询和所有点查询提供噪声答案,同时保证每个答案具有平方误差$O(1/ε^2)$。对于微数据需求,必须在允许某些点查询的额外$\log^2(d)$因子($d$是点查询的数量)或允许求和查询的额外$O(d^2)$因子之间进行选择。我们提出了纯,近似和集中的差分隐私的下限。我们提出了缓解策略,并创建了一个基准数据集的集合,可用于公众研究这个问题。
2021-10-25 cs.CR
Parallel Composition for Statistical Privacy
Universität zu Lübeck(吕贝克大学)
本文提出了一种基于子采样和随机划分数据库的隐私机制,首次在不额外限制数据库的情况下,通过考虑分布熵来提升隐私和精度保证。
2026-02-10 cs.CR
Words Blending Boxes. Obfuscating Queries in Information Retrieval using Differential Privacy
针对现有差分隐私查询混淆方法仅理论上保障隐私、实际易因语义相似泄露用户信息需求的问题,提出新型机制Word Blending Boxes,通过安全盒保护查询词汇,兼具理论与实际隐私保护效果,可有效集成到现有信息检索系统中。
2024-05-15 cs.CR cs.IR
Privid: Practical, Privacy-Preserving Video Analytics Queries
对公共区域摄像头记录的视频进行分析有可能推动许多令人兴奋的应用,但也有侵犯个人隐私的风险。不幸的是,现有的解决方案无法实际解决实用性和隐私之间的这种紧张关系,依赖于对每个视频帧中所有私人信息的完美检测-这是一个难以捉摸的要求。本文介绍:(1)用于视频分析的差分隐私(DP)的新概念,$(ρ,K,ε)$ -事件持续时间隐私,其保护在小于特定持续时间内可见的所有私人信息,而不是依赖于对该信息的完美检测,以及(2)称为Privid的实用系统,其甚至利用(不受信任的)分析器提供的深度神经网络来实施基于持续时间的隐私,所述深度神经网络对于当今的视频分析是常见的。在各种视频和查询中,我们表明Privid在非私有系统的79-99%范围内实现了准确性。
2021-06-22 cs.CR cs.CY
A workload-adaptive mechanism for linear queries under local differential privacy
我们提出了一种新的机制,以准确地回答用户提供的一组线性计数查询下的本地差分隐私(LDP)。给定一组线性计数查询(工作负载),我们的机制会自动适应,以提供工作负载查询的准确性。我们定义了一个参数类的机制,产生无偏估计的工作量,并制定了一个约束优化问题,从这个类中选择一个机制,最大限度地减少预期的总平方误差。我们使用投影梯度下降数值解决这个优化问题,并提供了一个有效的实现,可扩展到大的工作负载。我们在各种各样的设置中展示了我们基于优化的方法的有效性,表明它的性能优于许多竞争对手,甚至优于现有的工作负载机制。
2020-05-18 cs.CR cs.DB
Answering n^{2+o(1)} Counting Queries with Differential Privacy is Hard
差异隐私数据分析的一个核心问题是如何设计有效的算法,能够回答敏感数据库上的大量计数查询。计数查询的形式“在数据库中的个别记录的分数满足属性q?“我们证明,如果单向函数存在,那么就没有算法将({0,1}^d)^n中的数据库D作为输入,并且k = n^{2+o(1)}任意有效可计算的计数查询,在时间上运行poly(d,n),并返回每个查询的近似答案,同时满足差分隐私。我们还考虑了回答“简单”计数查询的复杂性,并在这个方向上取得了一些进展,表明上述结果成立,即使当我们要求的查询是可计算的恒定深度(AC-0)电路。我们的结果几乎是紧的,在这个意义上,近n^2计数查询可以有效地回答,同时满足差分隐私。此外,超多项式的许多查询可以在指数时间内回答。我们证明了我们的结果,通过扩展差分私人计数查询释放和加密叛徒追踪计划之间的连接设置的查询作为输入的消毒,并通过构建一个叛徒追踪计划,在这种设置是安全的。
2013-10-01 cs.CC cs.CR
BRASP: Hiding Where You Look in Encrypted Spatial Keyword Search
Lancaster University(兰卡斯特大学);Beijing Jiaotong University(北京交通大学)
BRASP是一种支持加密空间数据布尔范围查询的可搜索加密方案,通过结合希尔伯特曲线前缀编码和加密前缀-ID与关键词-ID倒排索引,实现高效的空范围过滤和关键词匹配,同时保护搜索和访问模式隐私。
2026-11-01 cs.CR
HDMM: Optimizing error of high-dimensional statistical queries under differential privacy
在这项工作中,我们描述了高维矩阵机制(HDMM),差分私人算法回答谓词计数查询的工作量。HDMM使用紧凑的隐式矩阵表示来表示查询工作负载,并利用该表示来有效地优化差分私有算法的空间(的子集),以获得无偏的并且以低预期误差回答输入查询工作负载的算法。HDMM可以被部署用于$ε$ -差分隐私(具有拉普拉斯噪声)和$(ε, δ)$ -差分隐私(具有高斯噪声)两者,尽管核心技术对于每一个稍微不同。我们的经验表明,HDMM可以有效地回答查询,比最先进的技术具有更低的预期错误,在某些情况下,它几乎匹配现有的下限为我们考虑的特定类别的机制。
2021-06-23 cs.CR cs.DB
Multi-tier Differential Private Query Release
Guangzhou University(广州大学);Sun Yat-sen University(中山大学)
针对不同隐私预算下的相同查询,提出一种多层差分隐私查询发布框架,通过噪声分布特征函数和模板策略,在控制累积隐私损失的同时实现最优效用。
2026-06-18 cs.CR
Statistical Privacy
本文提出统计隐私模型,针对攻击者仅知数据分布而不知具体条目的场景,分析属性查询下隐私参数与分布熵的关系,给出精确公式及数值近似,并比较差分隐私,探讨噪声与子采样对隐私效用权衡的影响。
2025-02-28 cs.CR
EPIC: Efficient Privacy-Preserving Scheme with E2E Data Integrity and Authenticity for AMI Networks
在高级计量基础设施(AMI)网络中,智能电表应向电力公司发送细粒度的功耗读数,以执行实时监控和能源管理。然而,这些读数可能泄露关于消费者活动的敏感信息。已经为AMI网络提出了用于收集细粒度读数的各种隐私保护方案。这些方案聚合各个读数并将聚合读数发送到实用程序,但它们广泛使用涉及大量计算/通信开销的非对称密钥加密。此外,它们没有解决端到端(E2 E)数据完整性,真实性和基于动态价格计算电费的问题。在本文中,我们提出了EPIC,一个有效的和隐私保护的数据汇集计划与E2 E数据完整性验证的AMI网络。使用有效的加密操作,每个仪表应该向公用事业发送屏蔽读数,使得在聚合所有仪表的屏蔽读数之后取消所有屏蔽,并且因此公用事业只能获得聚合读数以保护消费者的隐私。该实用程序可以在不访问单个读数的情况下验证聚合读数的完整性,以保护隐私。它还可以通过使用细粒度的读数来识别攻击者并有效地计算电费,而不会侵犯隐私。此外,EPIC可以抵抗共谋攻击,其中公用事业公司与中继节点共谋以提取仪表的读数。采用形式化证明、概率分析等方法对EPIC的安全性进行了评估,并使用ns-3实现了EPIC,对网络性能进行了评估。此外,我们比较EPIC现有的数据汇集计划的开销和安全/隐私功能。
2018-10-03 cs.CR
What Does The Crowd Say About You? Evaluating Aggregation-based Location Privacy
关于人们的移动和他们访问的位置的信息使得越来越多的移动分析应用成为可能,例如,在城市和交通规划的背景下,在这种设置中,实体通常使用聚合作为隐私保护机制,目的是隐藏个体用户的位置轨迹,而不是收集或共享原始数据。此外,为了限制来自聚合的信息泄漏,它们可以干扰聚合的输入或输出,以确保这些是差异私有的。在本文中,我们将评估的影响,释放聚合位置的时间序列的个人贡献的聚合的隐私。我们引入了一个框架,使我们能够对试图预测用户的位置或恢复其移动模式的对手的隐私的原因。我们将这些攻击形式化为推理问题,并讨论了几种策略来模拟对手的先验知识的基础上,她可能会获得的信息。然后,我们使用的框架来量化的隐私损失所产生的聚合位置数据,有和没有保护的差分隐私,使用两个真实世界的移动数据集。我们发现,聚集泄漏个人的准时位置和移动配置文件的信息。观测的密度以及时间安排起着重要的作用,例如,在繁忙时间有规律的出入境较零星的出入境为佳。最后,我们的评估表明,输出和输入扰动几乎没有提供额外的保护,除非它们引入大量的噪声,最终破坏数据的效用。
2017-06-10 cs.CR
TrackMeNot: Enhancing the privacy of Web Search
大多数搜索引擎可以潜在地基于用户的搜索查询历史来推断用户的偏好和兴趣。虽然搜索引擎可以将这些推断用于各种任务,包括定向广告,但这些任务确实对用户隐私构成严重威胁。2006年,在AOL披露了65万用户的搜索查询后,TrackMeNot作为一个简单的浏览器扩展发布,试图在查询云中隐藏用户的搜索偏好。TrackMeNot的第一个版本,虽然在过去三年中被广泛使用,但在设计上相当简单,并且没有提供任何强有力的隐私保证。在本文中,我们提出了新的设计和实现的TrackMeNot,它解决了许多限制的第一个版本。TrackMeNot解决了两个基本问题。首先,使用用于表征搜索查询的模型,TrackMeNot提供了用于从搜索引擎混淆用户的搜索偏好的机制。其次,TrackMeNot防止泄漏的信息揭示使用混淆的搜索引擎通过几个潜在的侧渠道,在现有的浏览器,如点击,cookie等。最后,我们表明,TrackMeNot不能被检测到当前的搜索机器人检测机制,并证明了TrackMeNot的有效性,通过测试其效率在一个主要的搜索引擎混淆用户的利益。
2011-09-22 cs.CR
Low Rank Mechanism for Optimizing Batch Queries under Differential Privacy
差分隐私是敏感数据统计查询处理中一种很有前途的隐私保护方法。它通过向每个查询结果中注入随机噪声来工作,这样对手就很难从发布的噪声结果中推断出任何单独记录的存在或不存在。差异隐私查询处理的主要目标是在满足隐私保证的同时,最大限度地提高查询结果的准确性。以前的工作,特别是\cite{LHR+10},表明通过适当的策略,整体处理一批相关查询比单独回答它们可以获得更高的准确性。然而,据我们所知,目前还没有实际的解决方案来找到这样一个策略的任意查询批次;现有的方法要么返回质量差的策略(往往比天真的方法)或需要昂贵的计算,即使是中等规模的域。出于这一动机,我们提出了\emph{Low-Rank Mechanism}(LRM),第一个实用的差分私人技术,以高精度回答批量查询,基于工作负载矩阵的\emph{low rank approximation}。我们证明了LRM提供的准确性接近理论下限的任何机制,回答一批查询下差分隐私。使用真实数据进行的大量实验表明,LRM始终优于差分隐私下的最先进的查询处理解决方案,大幅度提高。
2012-12-11 cs.CR cs.DB
From Randomized Response to Randomized Index: Answering Subset Counting Queries with Local Differential Privacy
针对本地差分隐私中值扰动导致效用下降的问题,提出对值索引随机化的CRIAD方法,用于回答集合值数据上的子集计数查询,通过多虚拟项、多样本和多组策略实现可扩展性,并在准确性和隐私保障上优于现有方法。
2025-04-24 cs.CR cs.DB
Overlay Indexes: Efficiently Supporting Aggregate Range Queries and Authenticated Data Structures in Off-the-Shelf Databases
商业现成的数据库管理系统(DBMS)经过高度优化,可以通过精心设计的索引和查询规划来处理各种查询。然而,许多聚合范围查询通常由DBMS使用顺序扫描来执行,并且根本不支持某些需求,例如存储认证的数据结构(ADS)。从理论上讲,这些需求可以有效地满足采用特定类型的索引,但通常排除在DBMS的设计。我们介绍了覆盖索引的概念:一个索引,这是要存储在一个标准的数据库中,与常规数据和常规软件管理,以补充DBMS的功能。我们展示了一个数据结构,我们称之为DB树,它实现了一个覆盖索引,以支持广泛的自定义聚合范围查询以及ADS,有效。所有DB树操作都可以通过对DBMS执行少量查询来执行,这些查询可以在一个或两个查询轮中并行发出,并且涉及对数数量的数据。我们实验评估DB树的效率表明,我们的方法是有效的,特别是如果数据更新是有限的。
2019-10-25 cs.CR cs.DB cs.DS
HUT: Enabling High-UTility, Batched Queries under Differential Privacy Protection for Internet-of-Vehicles
车联网(IoV)的新兴趋势要求集中式服务器在单个车辆上以有限的计算资源收集/处理敏感数据。这种敏感数据的集中化需要实际的隐私保护。差分隐私是一种广泛应用的范例,它可以通过添加噪声来对敏感数据提供强有力的保护。然而,直接将DP应用于车联网会对数据利用和有效保护带来重大挑战。我们观察到,在车联网中启用DP保护的关键问题在于如何将DP与车联网的特殊特性协同结合起来,由于集中式服务器和边缘车辆之间的频繁交互,车联网的查询序列通常形成为不平衡的批次。为此,我们提出了HUT,这是一种新的算法,可以在车联网中实现DP保护的高实用性。我们的关键见解是利用车联网的固有特性:不平衡的批次。我们的主要思想是聚合本地批次并应用顺序约束,以便可以减轻DP保护的信息丢失。我们评估了HUT对最先进的DP保护机制的有效性。实验结果表明,HUT可以将信息丢失率降低95.69%,同时对敏感数据提供强有力的安全保护。
2022-02-15 cs.CR
Haze: Privacy-Preserving Real-Time Traffic Statistics
我们认为交通更新移动应用程序,让用户了解交通状况的基础上,从其他用户的报告。这些应用正变得越来越流行(例如,Waze在2013年报告了3000万用户),因为他们从道路上行驶的实际用户那里汇总了实时的【形】道路交通更新。然而,这些移动服务的提供商可以访问诸如其用户的时间戳位置和移动等敏感信息。在本文中,我们描述了雾,一个协议的流量更新应用程序,支持从用户报告创建流量统计数据,同时保护用户的隐私。Haze依赖于一小部分用户来联合聚合加密的速度和警报数据,并将结果报告给服务提供商。我们使用基于阈值密码系统和差分隐私技术的陪审团投票协议来隐藏用户数据,同时只允许提取聚合信息并发送给服务提供商。我们通过开发一个原型实现并在真实世界的汽车轨迹数据集上进行实验,证明了Haze在实践中是有效的。
2013-09-13 cs.CR
Eat the Cake and Have It Too: Privacy Preserving Location Aggregates in Geosocial Networks
地理社交网络是以用户和企业的位置为中心的在线社交网络。为有针对性的广告提供投入,分析社交网络用户成为重要的收入来源。它对个人信息的自然依赖在用户隐私与企业和地理社会网络提供商的参与激励之间引入了权衡。在本文中,我们介绍了位置为中心的配置文件(LCP),聚集在一个给定的位置存在的用户的配置文件。我们介绍PROFILR,一套机制,构造LCP在一个私人和正确的方式。我们介绍iSafe,一个新颖的,上下文感知的公共安全应用程序建立在PROFILR。我们的Android和浏览器插件实现表明PROFILR是高效的:即使在强正确性保证下,端到端开销也很小。
2013-04-12 cs.CR cs.SI
Privately Answering Queries on Skewed Data via Per Record Differential Privacy
针对偏态数据隐私发布问题,提出每条记录零集中差分隐私(PzCDP)形式化方法及相应机制,通过使隐私损失依赖于记录值,有效克服标准DP在重尾统计发布中的困难。
2024-12-18 cs.CR cs.DB
PrivGenDB: Efficient and privacy-preserving query executions over encrypted SNP-Phenotype database
可搜索对称加密(SSE)已被用于保护基因组数据的机密性,同时提供对基因组数据序列的子串搜索和范围查询,但尚未研究用于保护单核苷酸多态性(SNP)-表型数据。在这篇文章中,我们提出了一个新的模型,PrivGenDB,用于安全地存储和有效地进行不同的查询基因组数据外包给一个诚实但好奇的云服务器。为了实例化PrivGenDB,我们使用SSE来确保机密性,同时对加密的基因组数据、表型和个人的其他信息进行不同类型的查询,以帮助分析师/临床医生进行分析/护理。据我们所知,PrivGenDB构建是第一个基于SSE的方法,通过加密确保共享SNP表型数据的机密性,同时使计算/查询过程高效且可扩展,用于生物医学研究和护理。此外,它支持对基因组数据的各种查询类型,包括计数查询,布尔查询和k '-out-k匹配查询。最后,PrivGenDB模型处理包含基因型和表型的数据集,它还支持存储和管理其他元数据,如性别和种族。在具有5,000条记录和1,000个SNP的数据集上的计算机评估表明,计数/布尔查询和超过40个SNP的k中取k匹配查询分别花费约4.3s和86.4μs,优于现有方案。
2021-06-30 cs.CR
Make Up Your Mind: The Price of Online Queries in Differential Privacy
Harvard University John A. Paulson School of Engineering and Applied Sciences(哈佛大学约翰·A·保尔森工程与应用科学学院);Yale University(耶鲁大学);Northeastern University College of Computer and Information Science(东北大学计算机与信息科学学院)
我们考虑的问题,回答查询的敏感数据集受到差分隐私。查询可以以三种方式之一从更大的可允许查询集合Q中进行对抗性选择,我们按照从最容易到最难回答的顺序列出:离线:查询一次全部被选择,并且差分私有机制在单个批次中回答查询。缐上:查询是一次选择的,但是该机制只以流式方式接收查询,并且必须在看到下一个查询之前回答每个查询。自适应:每次选择一个查询,并且该机制必须在选择下一个查询之前回答每个查询。特别地,每个查询可以取决于对先前查询给出的答案。许多差异私有机制在自适应模型中与在离线模型中一样有效。同时,差分隐私的大多数下限在离线设置中保持不变。这表明这三种模式可能是等效的。我们证明了这些模型实际上都是不同的。具体来说,我们表明,有一个家庭的统计查询,指数更多的查询,从这个家庭可以回答离线模型比在线模型。我们还展示了一个家庭的搜索查询,指数更多的查询,从这个家庭可以回答在线模型比自适应模型。我们还调查是否这样的分离可能会举行简单的查询,如阈值查询在真正的线。
2016-04-15 cs.CR cs.DS cs.LG
Achieve Efficient Position-Heap-based Privacy-Preserving Substring-of-Keyword Query over Cloud
最初用于缓解数据爆炸性增长的云计算技术,已被要求同时考虑数据隐私和用户查询功能。对称可搜索加密(SSE)是一种流行的解决方案,用于支持对云中加密数据的有效关键字查询。然而,大多数现有的SSE方案集中在精确的关键字查询上,并且当用户只记得关键字的子串时,即,关键字子串查询。本文旨在研究这个问题,提出了一个有效的和隐私保护的substring-of-keyword查询方案在云。首先,我们采用位置堆技术来设计一种新的基于树的索引,以匹配子串与相应的关键字。在基于树的索引的基础上,我们介绍了我们的关键字子串查询方案,它包含两个连续的阶段。第一阶段查询与给定子字符串匹配的关键字,第二阶段查询与人们真正感兴趣的关键字匹配的文件。此外,详细的安全性分析和实验结果表明,我们提出的方案的安全性和效率。
2021-03-15 cs.CR
Context-aware Privacy Bounds for Linear Queries
KTH Royal Institute of Technology(皇家理工学院);Inria Saclay(巴黎萨克雷Inria研究所)
本文通过点wise最大泄露(PML)视角重新审视线性查询的隐私分析,推导出更紧的上下文感知泄露界,证明其比标准差分隐私更严格,并通过数值评估展示利用先验知识可减少噪声规模同时保持隐私保证。
2026-04-12 cs.CR cs.IT math.IT
Privately Connecting Mobility to Infectious Diseases via Applied Cryptography
最近的研究表明,手机移动数据具有独特的潜力,可以为人类移动以及感染性疾病的传播建立准确的模型。虽然先前的研究完全依赖于移动网络运营商的订户的汇总数据来建模疾病动态,但可能优选的是仅考虑受感染个体的汇总移动数据。显然,天真地将移动电话数据与健康记录联系起来会侵犯隐私,因为这可能会跟踪感染者的移动模式,泄露有关感染者的信息,或者两者兼而有之。这项工作旨在开发一种解决方案,报告受感染个人的聚合移动电话位置数据,同时仍然保持符合隐私期望。为了实现隐私,我们使用同态加密,验证技术来自零知识证明,和差分隐私。我们的协议的开源实现可以在70分钟内处理800万用户。
2022-06-13 cs.CR
Threshold-Protected Searchable Sharing: Privacy Preserving Aggregated-ANN Search for Collaborative RAG
本文提出阈值保护的可搜索共享方案SP-A$^2$NN,通过可共享位图结构实现HNSW兼容的隐私保护聚合ANN搜索,将搜索复杂度从$O(n^2)$降至$O(n)$,并构建了基于归约的泄漏猜测证明系统以标准化泄漏分析。
2025-07-23 cs.CR
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
MTSP-LDP: A Framework for Multi-Task Streaming Data Publication under Local Differential Privacy
Xi’an Jiaotong University(西安交通大学)
MTSP-LDP通过最优隐私预算分配和数据自适应二进制树结构,提升多任务流数据发布下的隐私保护与效用。
2025-12-31 cs.CR
Verifiable Member and Order Queries on a List in Zero-Knowledge
在传统的认证数据结构模型中,我们引入了零知识列表上订单查询的形式化模型。我们称这种模型为隐私保护认证列表(PPAL)。在这个模型中,查询是在存储在(不受信任的)云中的列表上执行的,其中必须维护数据的完整性和隐私。为了实现高效的认证数据结构,我们首先采用一致性数据查询模型。为此,我们引入了一个正式的模型,称为零知识列表(ZKL)计划,它概括了一致的成员资格查询零知识一致的成员资格和顺序查询在一个完全有序的零知识集。提出了一种基于零知识集和同态整数承诺方案的ZKL构造方法。然后,我们讨论了为什么这种构造在云应用中不如期望的那样有效,并提出了一种基于双线性映射和双线性映射的PPAL的有效构造,该构造是可证明安全和零知识的。
2014-08-17 cs.CR
Benchmarking Private Population Data Release Mechanisms: Synthetic Data vs. TopDown
本文首次对TopDown算法与差分隐私合成数据生成进行正面对比评测,发现TopDown在分布内查询上隐私-保真度权衡显著优于合成数据方法,误差至少低20倍,并为从业者提供选型指导。
2024-04-02 cs.CR
What's the Gist? Privacy-Preserving Aggregation of User Profiles
在过去的几年里,在线服务提供商已经开始收集越来越多的个人信息,以建立用户简档,并通过广告商和数据经纪人将其货币化。用户几乎无法控制处理哪些信息,并且通常在接受免费服务或拒绝分析之间做出全有或全无的决定。本文探讨了一种替代方法,其中用户仅披露其数据的聚合模型(“要点”)。我们的目标是保护数据实用性,同时提供用户隐私。我们表明,这种方法可以有效地支持,让用户贡献加密和不同的私人数据的聚合器。聚合器组合加密的贡献,并且只能提取底层数据的聚合模型。我们在从美国人口普查局获得的100,000名美国用户的数据集上评估了我们的框架,并表明(i)它提供了准确的聚合,只有100名用户,(ii)它为用户和数据经纪人带来了收入,(iii)它的开销相当低。
2014-06-25 cs.CR
A Learning Theory Approach to Non-Interactive Database Privacy
Carnegie Mellon University(卡内基梅隆大学);California Institute of Technology(加州理工学院);University of Pennsylvania(宾夕法尼亚大学)
在本文中,我们证明,忽略计算的限制,它是可能的私人释放合成数据库,是有用的大类的查询-比数据库本身的大小大得多。具体来说,我们给出了一种机制,私人发布合成数据的一类查询在一个离散域的错误增长的最小的网络的大小的函数,近似代表的答案,这类查询。我们表明,这特别意味着一种机制,计数查询,给出错误的保证,增长只与VC-维的类的查询,它本身的增长只与查询类的大小几何。我们还表明,这是不可能的,即使是简单的查询类(如间隔和他们的泛化)在连续域的私人释放。尽管如此,我们给出了一个隐私保护的多项式时间算法,释放有用的所有半空间查询的信息,稍微放松的效用保证。该算法不释放合成数据,而是能够表示每个查询的答案的另一个数据结构。我们还给出了一个有效的算法释放合成数据的区间查询和轴对齐的矩形的常数尺寸的类。最后,受学习理论的启发,我们引入了一个新的数据隐私的概念,我们称之为分布式隐私,并表明它严格强于流行的隐私概念,差分隐私。
2011-09-10 cs.CR cs.DS cs.LG
Optimizing error of high-dimensional statistical queries under differential privacy
在敏感数据库上回答谓词计数查询集的差分私有算法有许多应用。收集个人层面数据的组织,如统计机构和医疗机构,使用它们来安全地发布汇总表。然而,现有的技术仅在一小部分查询工作负载上是准确的,或者是非常慢的,特别是当分析数据的多于一个或两个维度时。在这项工作中,我们提出了HDMM,一个新的差分私人算法回答谓词计数查询的工作量,这是特别有效的高维数据集。HDMM使用隐式矩阵表示来表示查询工作负载,并利用这种紧凑表示来有效地搜索差分私有算法的空间(的子集),以获得以高精度回答输入查询工作负载的算法。我们的经验表明,HDMM可以有效地回答各种低维和高维数据集上的查询,比最先进的技术具有更低的错误。
2018-08-10 cs.CR cs.DB
Making the Most of Parallel Composition in Differential Privacy
我们表明,“最佳”使用的并行组合定理对应于找到的最大子集的查询,“重叠”的数据域,我们称之为\emph{maximum overlap}的查询量的大小。以前已经表明,这个问题的某个实例,制定在确定查询的敏感性方面,是NP-难的,但也有可能使用图论算法,如找到最大团,近似查询敏感性。在本文中,我们考虑了上述实例的一个重要概括,它包括更广泛的差分私有机制和更广泛的查询类。我们表明,对于一类特定的谓词查询,确定它们是否是不相交的,可以在时间多项式中的属性的数量。对于这个类,我们表明,最大重叠问题仍然是NP难的查询的数量的函数。然而,我们表明,有效的近似解决方案存在的最大重叠的团和色数确定的查询的某个图形。与色数的联系使我们能够使用更有效的近似算法,这对于团数来说是不可能的,因为它可能低估了隐私预算。我们的方法被定义在$f$ -差分隐私,其中包括标准的纯差分隐私和高斯差分隐私的一般设置。证明了$f$ -差分隐私的并行合成定理。我们评估了我们在合成和真实世界查询数据集上的方法。我们表明,该方法可以扩展到大的域大小(高达$10^{20000}$),它的应用程序可以减少噪音添加到查询答案高达60%。
2021-09-19 cs.CR cs.DB
Adding Query Privacy to Robust DHTs
近年来,对分布式哈希表(DHT)上的匿名通信的兴趣有所增加。然而,几乎所有已知的解决方案都只针对在DHT查询中实现发送者或请求者匿名。在许多应用场景中,关键是查询的密钥对中间对等体保持秘密,这些中间对等体(帮助)将查询路由到其目的地。在本文中,我们满足这一要求,提出了一种方法,提供隐私的关键在DHT查询。我们使用不经意传输(OT)的概念,在通信中的DHT保留查询隐私,而不影响垃圾邮件的抵抗。虽然我们的OT为基础的方法可以工作在任何分布式哈希表,我们专注于强大的分布式哈希表,可以容忍拜占庭故障和抵制垃圾邮件的通信。我们选择最知名的强大的DHT建设,并采用一个有效的OT协议非常适合实现我们的目标,获得查询隐私的强大的DHT。最后,我们比较了我们的隐私保护协议的性能与他们的隐私侵犯同行。我们观察到消息复杂度没有增加,计算复杂性只有很小的开销。
2012-04-03 cs.CR cs.DC