可穿戴设备的数值型流数据差分隐私均值发布

发布时间：2021-01-17 06:09

　　可穿戴设备实时产生的用户健康数据（如心率、血糖等）对健康监测及疾病诊断具有重大意义,然而健康数据属于用户的隐私信息。针对可穿戴设备的数值型流数据均值发布,为防止用户的隐私信息泄漏,提出一种基于自适应采样的可穿戴设备差分隐私均值发布方法。首先,引入适应可穿戴设备流数据均值波动小这一特点的全局敏感度;然后,采用基于卡尔曼滤波调整误差的自适应采样的方式分配隐私预算,提高发布数据的可用性。在发布两种健康数据的实验中,所提方法在隐私预算为0. 1时,即高隐私保护强度下,在心率和血糖数据集上的平均相对误差（MRE）分别为0. 01和0. 08,相较于差分隐私时序监测的滤波和自适应采样（FAST）算法分别降低了36%和33%。所提的均值发布方法能够提高可穿戴设备均值流数据发布的可用性。 

【文章来源】：计算机应用. 2020,40(06)北大核心

【文章页数】：6 页

【部分图文】：

流数据均值发布框架

图2展示了ξ取值对两个不同数据集的影响。纵坐标是当前的MRE/MIN，其含义是当前的MRE数值比上实验中最小的MRE值。原因是在ξ取值相同时，血糖数据集和心跳数据集的MRE相差较大，若直接比较MRE则呈现效果不佳。如图2所示，心率数据集的数据波动小，在ξ=0.4%时误差最小，在0.4%到2%误差呈指数上升，自2%到10%平稳上升；而血糖数据集的数据波动相对大一些，在ξ=3%时误差最小，在3%到10%接近直线上升。即对于数据波动小的数据集，ξ的取值相较数据集波动大的数据集要小，因为该方案中引入PID是用于衡量相邻数据之间的相似性以确定采样间隔，对应ξ的选取应该与数据集的波动大小相适应。4.2.2 采样参数θ值和采样点比例M/T的误差分析

从图3(a）中可知，θ在10～20时，该方案的效果比较好；当θ=1时，采样间隔过小导致采样频繁，过早用完采样点，在实际应用中不可取；当θ>20时，即随着采样间隔逐渐增大，相邻点的预测误差增大从而导致误差增大。采样点的变化规律与采样间隔变化规律类似。每个采样点分配的隐私预算为ε/M。当采样点比较少时，每个采样点加入的噪声偏小但相邻点间的预测误差较大；当采样点较多时，每个采样点加入的噪声偏大而相邻点间的预测误差小。如图3(b）所示，当M/T的比例在0.2～0.6时，该方案能够达到很好的效果；比例超过0.6后误差逐渐增大。

【参考文献】：
期刊论文
[1]可穿戴设备数值型敏感数据本地差分隐私保护[J]. 马方方,刘树波,熊星星,牛晓光.  计算机应用. 2019(07)
[2]面向可穿戴设备的数据安全隐私保护技术综述[J]. 刘强,李桐,于洋,蔡志平,周桐庆.  计算机研究与发展. 2018(01)
[3]面向时序数据发布的隐私保护方法研究[J]. 于东,康海燕.  通信学报. 2015(S1)



本文编号：2982344