数据发布中的交互式动态隐私风险评估及适应性保护方法OA
数据发布是推动数据共享的重要方式.然而研究显示,数据发布中伴随着恶意需求方大量频繁访问获取数据导致敏感属性信息的隐私泄露风险.现有的评估方法虽然考虑了数据发布与需求双方的场景,但大多是非交互式的静态设定.因此在实际应用中不能准确评估数据发布方面临的持续变化的隐私风险,且加噪保护多造成隐私与效用不平衡.为此,提出了一种数据发布场景下交互式动态隐私风险评估及保护方法.该方法首先运用机器学习预测模型确定难以界定的属性的隐私等级;其次设定动态调整隐私等级机制,根据数据需求方的实际请求及时调整隐私等级并及时限制高频访问导致的敏感属性信息泄露;最后在获取评估反馈风险较高后对数据进行隐私保护时提出了适应性加噪机制,确保在数据发布时隐私风险效用平衡达到良好效果.实验结果显示,该方法隐私风险指数会随访问数量增加而逐步提高,且包含关联属性的访问导致隐私风险指数提高15%以上;而适应性加噪在噪声达到0.5时与整体加噪隐私保护水平相近,却比整体加噪对数据效用的提升超过30%.
张宁徽;李婧;杨帆;付豫豪;秦泽秀;龙春
中国科学院大学,北京100049 中国科学院计算机网络信息中心,北京100083中国科学院计算机网络信息中心,北京100083中国科学院计算机网络信息中心,北京100083中国科学院计算机网络信息中心,北京100083中国科学院大学,北京100049 中国科学院计算机网络信息中心,北京100083中国科学院大学,北京100049 中国科学院计算机网络信息中心,北京100083
信息技术与安全科学
数据发布交互式动态隐私风险评估隐私效用平衡适应性加噪
《信息安全研究》 2026 (7)
P.598-605,8
国家重点研发计划项目(2023YFC3304704)中国科学院青年创新促进会项目(2022170)中国科学院网络安全和信息化专项项目(CAS-WX2022GC-04)。
评论