کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
11002555 1444208 2018 11 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Spatial counts under differential privacy mechanism on changing spatial scales
ترجمه فارسی عنوان
شمارش فضایی تحت مکانیزم دیفرانسیل حریم خصوصی بر تغییر مقیاس فضایی
کلمات کلیدی
شمارش فضایی، حریم خصوصی دیفرانسیل توزیع پواسون-دوقطبی، تولید اطلاعات، انحراف تبدیل
ترجمه چکیده
با یک پایگاه داده آماری فضایی که یک منطقه بزرگ را پوشش می دهد، چگونگی انتشار محتوا اطلاعات محافظت شده دیجیتال، یک چالش است. در آثار قبلی، اطلاعات با استفاده از سلول های فضایی ثابت بزرگ منتشر شد. در این مقاله، ما روش های جدیدی را برای انتشار اطلاعات مکانی که اجازه می دهد کاربران به صورت آزادانه در اطراف منطقه بزرگ حرکت کنند، زوم و زوم در مکان های دلخواه، و اطلاعات در مورد مناطق فضایی هر دو بزرگ و کوچک به دست می آوریم. ما دو روش برای انتشار اطلاعات مکانی محافظت شده تحت حریم خصوصی دیفرانسیل توسعه می دهیم. ابتدا منطقه به کوچکترین سلول های فضایی تقسیم می شود، جایی که هر سلول رویداد اتفاق نمی افتد بیش از یک بار. با توجه به اندازه گیری های تکراری مانند داده های چند روزه، نویز افزوده شده احتمال برنولی برای همه کوچکترین سلول های فضایی محاسبه می شود. برای سلولهای فضایی بزرگتر که منافع بالایی برای کاربران دارند، احتمالات پر زرق و برق برنولی به توزیعهای پرطرفدار پوآسون دوتایی متصل می شوند که همچنین نیازهای حفظ حریم خصوصی فرد را برآورده می کنند. ما از آزمایشات تاکسی نیویورک برای نشان دادن نحوه کارکرد روش های ما استفاده می کنیم. ما نشان می دهیم که هر دو روش ما دقیق هستند، در حالی که احتمالات شمارش پر سر و صدا از طریق سلول های فضایی ثابت ثابت به دست می آیند، اغلب تعداد فضایی بسیار کوچکتر از مقادیر واقعی را تولید می کنند.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر شبکه های کامپیوتری و ارتباطات
چکیده انگلیسی
With a spatial statistical database covering a large region, how to publish differential privacy protected information is a challenge. In previous works, information was published using large fixed spatial cells. In this paper, we develop novel flexible methods to publish the spatial information, which allows the users to freely move around the large region, zoom in and zoom out at arbitrary locations, and obtain information over spatial areas both large and small. We develop two methods to publish the spatial information protected under differential privacy. First the region is divided into the smallest spatial cells, where each cell does not observe an event happening more than once. Given repeated measurements, such as multiple day data, the noise added Bernoulli probabilities are computed for all the smallest spatial cells. For larger spatial cells of high interests to users, the noisy Bernoulli probabilities are combined into noisy Poisson-Binomial distributions which also satisfy differential privacy requirement. We use the New York Taxi data in the experiments to demonstrate how our methods work. We show that both of our methods are accurate, while the noisy count probabilities directly obtained from fixed large spatial cells often generate the spatial counts much smaller than the true values.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Computers & Security - Volume 77, August 2018, Pages 642-652
نویسندگان
, , ,