第一作者及研究机构
本研究的通讯作者为Zhihua Xia（邮箱：xia_zhihua@163.com），团队成员包括Zixuan Shen、Zhihua Xia和Peipeng Yu，均来自南京信息工程大学计算机与软件学院（School of Computer and Software, Nanjing University of Information Science and Technology）。该研究于2021年1月28日发表在期刊《Security and Communication Networks》（2021卷，文章ID 6684179），隶属于Hindawi出版社，开放获取（Creative Commons Attribution License）。
学术背景与研究目标
本研究属于隐私保护计算领域，聚焦于本地差分隐私（Local Differential Privacy, LDP）技术在大数据多维数据聚合中的应用。随着企业和机构对高维众源数据（crowdsourced data）的收集需求增长，数据所有者的隐私保护成为核心挑战。传统LDP方案虽能保护数据，但忽视了用户对不同数据维度的个性化隐私需求。例如，用户可能对“年龄”维度要求高隐私保护，而对“兴趣爱好”维度接受较低保护。现有LDP协议通常由服务器统一分配隐私预算（privacy budget），无法满足这种差异化需求。
为此，作者提出个性化本地差分隐私（Personalized LDP, PLDP）框架，旨在解决以下问题：
1. 如何让数据所有者自主分配隐私预算至不同数据维度？
2. 如何在满足个性化隐私的前提下，实现高精度的多维数据联合分布估计？
3. 如何设计高效的扰动机制与聚合算法以支持实际应用？
研究流程与方法
研究分为四个核心环节：
作者提出个性化多优化一元编码（Personalized Multiple Optimized Unary Encoding, PMOUE）算法，其核心步骤包括：
- 编码阶段：将每个数据维度（如“性别=男”）编码为二进制向量（如[0,1,0]）。
- 扰动阶段：根据分配的隐私预算ε_i，按概率翻转二进制位：
- 若原值为1，以概率p=0.5保持1；
- 若原值为0，以概率q=1/(e^ε_i +1)翻转成1。
- 理论证明：PMOUE满足ε_total-PLDP，即总隐私预算约束下的差分隐私。
针对服务器端数据稀疏性问题（用户可能缺失部分维度），研究提出两种场景的聚合方案：
- 场景1（目标维度存在于部分记录）：
1. 分组校准：将包含目标k维度的记录分组，统计扰动后数据的“1”比特数，通过最大似然估计校准频数。
2. Lasso回归：构建候选值矩阵（Cartesian积编码），利用Lasso回归解决稀疏性问题，估计联合分布。
- 场景2（目标维度无完整记录）：
1. 属性划分：基于信息熵（information entropy）将k维属性划分为两组（如A1和A2），最大化两组独立性。
2. 分布合成：分别估计A1和A2的分布，通过乘法原理合成联合分布。
在四个真实数据集（Adult、Abalone、Bank Marketing、Car Evaluation）上对比PLDP与传统LDP方案（如LoPub）：
- 准确性：PLDP在平均变异距离（AVD）指标上与传统方案相当（如k=2时AVD≈0.28）。
- 效率：PLDP的聚合时间显著低于LoPub（如k=4时，PLDP耗时3秒，LoPub需迭代扫描数据）。
- 个性化优势：通过加权隐私预算（ε_w）证明PLDP提供更强的隐私保障（ε_w < ε_total）。
主要结果与结论
1. 理论贡献：
- 提出PLDP框架，扩展了LDP的个性化能力，支持用户自主分配隐私预算。
- 证明PMOUE算法满足ε_total-PLDP，且无需上报预算分配细节。
2. 技术贡献：
- 结合Lasso回归与信息熵的聚合算法，有效解决高维稀疏数据估计问题。
- 实验显示PLDP在保持实用性的同时，隐私保护强度优于传统LDP。
3. 应用价值：
- 适用于医疗、金融等需兼顾数据效用与隐私的场景，如苹果Emoji使用分析、微软用户行为统计。
研究亮点
1. 个性化隐私预算分配：首次在LDP中引入用户主导的隐私预算分配机制。
2. 高效聚合算法：通过非迭代式Lasso回归降低计算复杂度，适合大规模数据。
3. 理论严密性：严格证明PMOUE的隐私保障性质，提出ε_w量化真实隐私水平。
其他价值
- 开源数据验证：全部实验基于公开数据集，结果可复现。
- 跨领域适用性：方法可扩展至其他需局部隐私保护的分布式计算场景。
本研究为多维数据隐私保护提供了兼顾个性化与实用性的新思路，未来可进一步探索动态隐私预算分配与更复杂的依赖关系建模。