摘要

图的差分隐私分析广泛用于从敏感图中发布数据并同时能保护用户隐私，但是大部分现有算法采用的是集中式的隐私模型，而这种模型由于服务器的可信赖性和数据泄露的可能性引起了大量的隐私和安全问题。本文提出了一种在本地差分隐私模型下计算子图个数的算法：

• 对于三角形计数：提出了使用一轮交互和两轮交互的算法，结果表明两轮交互的算法可以提升效用；

• 对于k-star计数：提出了在非交互式环境下实现最优估计误差的算法；

同时，本文对三角形个数和k星型个数等一般的图数据的估计误差提出了新的下界。最后，在两个真实数据集上进行了大量的实验，最终结果表明，在本地差分隐私模型中准确估计子图个数确实是有可能的。

摘要

该文献主要研究LDP下回答多维分析查询的问题（MDA），并提出了几种LDP编码器和频率估计算法去处理不同类型的MDA查询。该文献提出的技术能够在严格的误差范围内回答MDA查询，并在真实数据集和合成数据集上进行了相关实验进一步验证了理论分析结果。

摘要

在LDP的保证下回答多维范围查询主要会遇到以下三个关键技术挑战：

（1）捕获属性之间的关联；

（2）处理维度多的范围查询；

（3）处理取值范围大的属性；

为了解决以上三个挑战，该文献首先提出了TDG算法（只采用二维网格）。然而这种算法丢失了单个属性的分布信息，因此为了解决该问题，进一步提出了HDG算法（一维网格与二维网格相结合），且大量的实验表明HDG算法的性能较于现有的算法有了较大的提升。

摘要

为了保护用户的隐私数据，人们使用本地差分隐私（LDP）提供支持隐私保护的范围查询，并支持进一步的统计分析。然而，现有的基于LDP的范围查询方法受限于其属性。而这种静态框架在低隐私预算场景下会带来过量的噪声。因此，提出了AHEAD（Adaptive Hierarchical Decomposition）方案，它可以自适应且动态地控制树的结构，进而注入的噪声可以得到较好地控制。

1.众包模式

一个公司或机构把过去由员工执行的工作任务，以自由自愿的形式外包给非特定的，而且通常是大型的大众网络的模式

2.隐私保护的目标

在数据收集阶段引入隐私保护机制来降低并控制隐私泄露的风险，平衡隐私保护与数据可用性之间的关系，解决和完善针对不牺牲用户个人隐私的大数据分析问题和机制

摘要

现如今差分隐私有很好的理论支持，但是实现却仍是一个挑战，因为差分隐私的理论机制是任意或无限精度的，而在差分隐私具体的实现过程中采用的却是浮点或者固定精度。显然，差分隐私从理论到实际的这一转换过程肯定会存在一些问题，而这一点可能会成为攻击者实施攻击的一种手段。本文提出的方法将差分隐私定义中的基数e转换成基数2，而因为计算机是二进制的，这样转换之后就可以精确地执行算法，且时空复杂度较低。

前言

本人的博客采用Hexo+Github的方式完成，采用这两者相结合的方式的原因在于：一方面，虽然Hexo是一个静态博客框架，但是本人觉得个人博客只在于记录一些学习过程中的心得和学习笔记，所以静态博客框架完全可以满足这种需求；另一方面，Github提供了Github Pages这种免费的静态站点托管服务，这对于我这种学生党来说无疑是一种福音。

1.差分隐私的两个目标

（1）隐私保护中, 如何在分享数据时定义隐私

（2）如何在保证可用性的数据发布时, 提供隐私保护的问题