传感器网络中基于多维分解的隐私数据汇聚方法
【技术领域】：
[0001] 本发明属于隐私保护领域，具体设及一种传感器网络中基于多维分解的隐私数据 汇聚方法。
【背景技术】：
[0002] 许多新型传感器网络(如智能电网、参与式感知系统等）中各类传感器采集与用户 或环境有关的时间序列数据并传输到服务器上，服务器可W对运些数据进行汇聚操作并对 外汇聚结果用于更高层次的统计分析和数据挖掘操作。一方面，数据汇聚操作减少了数据 的冗余和传输量，从而降低了能源消耗和数据的延迟时间。另一方面，数据汇聚操作只将关 键的或者与目的相关的数据传输到上层节点或服务器，在一定程度上也减少了细粒度数据 被泄露的可能性。尽管细粒度的信息不能被直接访问，但是详细的监测结果仍可能从变化 的实时数据汇聚结果中推断出来，比如智能电网中智能电表所采集的居民用电信息可W被 用来推断设备的开闭状态、可穿戴式传感器所采集持续的卡路里数据可W泄露用户的身体 状况。目前针对传感器网络中数据汇聚过程的隐私保护问题已经有了大量有价值的研究， 其中基于差分隐私的保护方法保证了两个相邻数据集的汇聚结果非常相近，使得攻击者很 难通过操纵汇聚结果推断出单个数据记录，保证用户隐私的同时提供良好的数据效用。一 般基于拉普拉斯噪声机制的差分隐私方法可能会因为较大的全局敏感度造成过扰动现象， 从而破坏数据的效用性。
【发明内容】
：
[0003] 本发明的目的在于克服上述现有技术的缺点，提供了一种传感器网络中基于多维 分解的隐私数据汇聚方法，该方法在保证与一般方法相同程度用户隐私的情况，能够提高 汇聚数据的效用性。
[0004] 为达到上述目的，本发明采用如下技术方案来实现的：
[0005] 传感器网络中基于多维分解的隐私数据汇聚方法，首先对每个时隙产生的监测数 据添加由多维分解噪声机制生成的噪声，然后利用生成的数据进行隐私数据汇聚，具体包 括W下步骤：
[0006] Stepl初始化:给定维度基数b和全局敏感度g，计算维度数d，计算各维度上的局部 敏感度Si，其中i = l，2,…，d是分解后的维度；
[0007] Step2数据获取与分解:通过底层硬件设备直接获取监测数据，得到每个时隙t对 应的原始监测值Xt，并将其分解成d维数据為；
[000引Step3数据扰动:根据各维度上的局部敏感度Si和隐私预算ε，生成d个服从拉普拉 斯分布且相互独立的噪声分量η?，并将其添加到皆上形成噪声化结果如；
[0009] Step4隐私汇聚：结合上一时隙的d维汇聚结果记和当前时隙的d维噪声化结果 扣，得到当前时隙的d维汇聚结果嗦；
[0010] steps数据合成与发布:按照不同的维度权重对各维噪声化结果:皆进行综合得到并 对外发布隐私保护的汇聚结果Rt。
[0011] 本发明进一步的改进在于，St邱1的具体操作为:设维度基数b是大于等于2的自然 数、全局敏感度g是监测数据的最大估计值，维度数d的表达式为
[0012]
微
[0013] 各维度上的局部敏感度Si的表达式为
[0014]
(10)
[0015] 其中，表达式(2)表示在较低维i = l，2，. ..，d-l上的局部敏感度为b-1，而在最高 维i = d上敏感度通过维度基数b、全局敏感度g和维度数d共同确定。
[0016] 本发明进一步的改进在于，St邱2中原始监测值Xt为：
[0017]
(11)
[001引其中，轉是原始监测值Xt的第i维分量，扩堪第i维的维度权重。
[0019] 本发明进一步的改进在于，Step3的具体操作为：生成d个满足ε-差分隐私且相互 独立的噪声分量^，要求《巧良从概率密度函数为式(4)拉普拉斯分布：
[0020]
(1巧
[0021] 其中，η为噪声变量，参数λ由相应维度上的局部敏感度Si和隐私预算ε共同确定， 即
[0022] 各维上的噪声化结果Κ的表达式为
[0023]
(13)
[0024] 其中，y;是原始监测值Xt的第i维分量，<是相应维度上的噪声分量。
[00巧]本发明进一步的改进在于，St邱4得到各维隐私保护的汇聚结果疗为
[0026]
(14)
[0027] 其中，r/_，是上一时隙的第i维的汇聚结果，时隙t = 0时各维汇聚结果为0。
[0028] 本发明进一步的改进在于，St邱5的具体操作为，按照不同的维度权重wi对各维噪 声化结果矿进行综合得到对外发布的汇聚结果Rt为
[0029]
(15)
[0030] 其中，表示第i维的维度权重Wi;
[0031 ]从发布的汇聚结果还原出隐私保护后监测值Yt为
[0032] Yt = Rt-Rt-i (16)。
[0033] 相对于现有技术，本发明采用如下技术方案来实现的：
[0034] 本发明所述的传感器网络中基于多维分解的隐私数据汇聚方法通过将单一数据 流分解为指数权重的多维数据流，并在每一维数据流上根据每一维的局部敏感度和隐私预 算添加独立噪声实现差分隐私保护。相比于一般的拉普拉斯噪声机制下的汇聚过程，该方 法在保证相同程度用户隐私的同时提供更好的数据效用性。
【附图说明】：
[0035] 图1为多维分解噪声机制示意图；
[0036] 图2为基于多维分解的隐私数据汇聚过程示意图；
[0037] 图3为不同全局敏感度下多维分解噪声机制和普通拉普拉斯噪声机制的噪声方差 对比图；
[0038] 图4为不同隐私预算下多维分解数据汇聚和普通拉普拉斯数据汇聚的平均相对误 差对比图。
【具体实施方式】：
[0039] 下面结合附图对本发明作进一步详细描述。
[0040] 本发明所述的传感器网络中基于多维分解的隐私数据汇聚方法，包括W下步骤：
[0041 ] Stepl初始化:给定维度基数b( -般为2，与计算机二进制表示方式一致)和全局敏 感度g(可W取传感器监测值最大值），得维度数d为
[00 创
（1)
[0043] 各维度上的局部敏感度Si(其中1 = 1，2，-'，(1)为
[0044]
(2)
[0045] Step2数据获取与分解:参考图2,通过底层硬件设备直接获取监测数据，得到每个 时隙