摘要：在实践中，通常使用拉普拉斯机制和指数机制来实现差分隐私。拉普拉斯机制用于数值型结果的保护，指数机制用于离散型结果的保护。 拉普拉斯机制 拉普拉斯机制通过向确切的查询结果中加入服从拉普拉斯分布的随机噪声，来实现 ε-差分隐私保护 。记位置参数为0、尺度参数为b的拉普拉斯分布为Lap(b)，那么其概率密 阅读全文

摘要：概要： 差分隐私，一种新型的隐私保护机制，主要针对： 如何在分享数据时定义隐私 如何在保证可用性的数据发布时，提供隐私保护的问题 以上两个问题提出了一个隐私保护的数据模型。 在差分隐私中，要求攻击者无法根据发布后的结果推测哪一条结果对应于哪一个数据集。该模型通过加入随机噪声的方法来确保公开的输出结果 阅读全文

摘要：差分隐私（differential privacy）主要目的是最大化utility的查询结果同时保证个人隐私的泄露不超过 ϵ 差分隐私主要包括： 中心化差分隐私（ ϵ -DP ） 本地化差分隐私（ ϵ -LDP） 两者区别在于： 中心化差分隐私的随机函数运行于服务器上，而本地化差分隐私的运行于本地。 阅读全文