引言

當(dāng)前，人工智能、大模型、大數(shù)據(jù)技術(shù)飛速發(fā)展，數(shù)據(jù)是各項(xiàng)技術(shù)構(gòu)建的關(guān)鍵基礎(chǔ)資源，全球數(shù)據(jù)產(chǎn)業(yè)正在呈爆發(fā)式增長(zhǎng)。據(jù)國(guó)際數(shù)據(jù)公司（IDC）預(yù)測(cè)，2018~2025年，全球數(shù)據(jù)量將從33 ZB猛增至175 ZB，而根據(jù)工業(yè)和信息化部相關(guān)預(yù)測(cè)，2021~2025年，我國(guó)的大數(shù)據(jù)產(chǎn)業(yè)規(guī)模將從1.3萬(wàn)億元突破至3萬(wàn)億元，數(shù)據(jù)已然成為推動(dòng)經(jīng)濟(jì)社會(huì)發(fā)展最重要的基礎(chǔ)生產(chǎn)要素之一［1］。數(shù)據(jù)資源被充分利用的同時(shí)，數(shù)據(jù)安全問(wèn)題也日益凸顯，數(shù)據(jù)被非法獲取事件頻頻發(fā)生，給企業(yè)和個(gè)人帶來(lái)了巨大損失。因此，在挖掘數(shù)據(jù)價(jià)值的同時(shí)，確保數(shù)據(jù)安全，已成為亟需解決的關(guān)鍵問(wèn)題。

傳統(tǒng)的數(shù)據(jù)安全解決方案大多關(guān)注于數(shù)據(jù)的存儲(chǔ)和傳輸，在對(duì)數(shù)據(jù)進(jìn)行挖掘利用時(shí)，仍然需要具有敏感信息的原始數(shù)據(jù)，數(shù)據(jù)非法竊取者可通過(guò)身份攻擊、屬性攻擊、存在性攻擊和概率知識(shí)攻擊等，推斷出個(gè)體敏感信息［2］。數(shù)據(jù)脫敏技術(shù)是通過(guò)對(duì)數(shù)據(jù)進(jìn)行一定處理來(lái)保護(hù)隱私的技術(shù)，其目的是在保留輸入數(shù)據(jù)的統(tǒng)計(jì)特征以及可用性的同時(shí)，保護(hù)數(shù)據(jù)的隱私和安全［3］。差分隱私技術(shù)是數(shù)據(jù)脫敏技術(shù)的一種，該技術(shù)提供了一種隱私保護(hù)方法，旨在向原始數(shù)據(jù)注入噪聲或擾動(dòng)，實(shí)現(xiàn)在保護(hù)個(gè)體數(shù)據(jù)隱私的同時(shí)，完成對(duì)數(shù)據(jù)的挖掘利用［4］。

差分隱私技術(shù)在國(guó)外研究較早，且技術(shù)日趨成熟。2006年，Dwork等人［5］首次提出了差分隱私保護(hù)方法，該方法通過(guò)向原始數(shù)據(jù)添加服從特定分布的噪聲，用以保護(hù)敏感數(shù)據(jù)，解決了傳統(tǒng)數(shù)據(jù)匿名脫敏技術(shù)無(wú)法抵抗背景知識(shí)攻擊的問(wèn)題。2016年，Abadi等人［6］提出了具有差分隱私的深度學(xué)習(xí)算法，分析了差分隱私在深度學(xué)習(xí)框架內(nèi)的隱私成本，在保護(hù)數(shù)據(jù)隱私的同時(shí)，訓(xùn)練出有效的深度學(xué)習(xí)模型。2019年，Holohan等人［7］設(shè)計(jì)了IBM差分隱私庫(kù)，用于Python編程語(yǔ)言中研究、實(shí)驗(yàn)和開(kāi)發(fā)差分隱私應(yīng)用程序。2023年，Holohan［8］又提出了差分隱私隨機(jī)數(shù)生成器和種子算法，實(shí)現(xiàn)了在差分算法和結(jié)果中進(jìn)行測(cè)試和錯(cuò)誤修復(fù)，為差分隱私算法選擇提供了有利幫助。

近年來(lái)，國(guó)內(nèi)的差分隱私技術(shù)研究也取得了豐碩成果。2009年，袁進(jìn)良［9］設(shè)計(jì)了統(tǒng)一的差分隱私聯(lián)邦學(xué)習(xí)平臺(tái)，擴(kuò)展了傳統(tǒng)的隱私預(yù)算組合定理，實(shí)現(xiàn)了隨時(shí)間不斷更新的可用預(yù)算，解決了差分隱私的強(qiáng)隱私和聯(lián)邦系統(tǒng)的高吞吐難兼顧問(wèn)題。2023年，張連福［10］提出了一種基于同態(tài)加密與差分隱私的隱私保護(hù)聯(lián)邦學(xué)習(xí)方案，利用多種防護(hù)措施實(shí)現(xiàn)了隱私防護(hù)范圍覆蓋聯(lián)邦學(xué)習(xí)全生命周期。同年，張旭［11］提出一種兼顧安全防御和隱私保護(hù)的分布式學(xué)習(xí)系統(tǒng)，該系統(tǒng)實(shí)現(xiàn)隱私保護(hù)的同時(shí)，提升了訓(xùn)練模型的準(zhǔn)確性。隨著差分隱私技術(shù)的不斷迭代發(fā)展，其在數(shù)據(jù)隱私保護(hù)領(lǐng)域得到越來(lái)越多的應(yīng)用。

本文探討基于差分隱私的數(shù)據(jù)脫敏方法，對(duì)數(shù)據(jù)集進(jìn)行清洗整理后，利用Laplace機(jī)制對(duì)敏感數(shù)據(jù)進(jìn)行處理，利用神經(jīng)網(wǎng)絡(luò)模型分別對(duì)未脫敏數(shù)據(jù)和脫敏后的數(shù)據(jù)進(jìn)行訓(xùn)練和預(yù)測(cè)，對(duì)比原始數(shù)據(jù)、差分隱私脫敏數(shù)據(jù)及其他脫敏技術(shù)數(shù)據(jù)生成模型的預(yù)測(cè)效果，為神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的數(shù)據(jù)隱私保護(hù)問(wèn)題提供解決方案。

本文詳細(xì)內(nèi)容請(qǐng)下載：

http://m.jysgc.com/resource/share/2000006341

作者信息：

李思慧1，戴明超1，蔡伍洲2

（1.武警吉林省總隊(duì)，吉林長(zhǎng)春130000；

2.武警部隊(duì)作戰(zhàn)勤務(wù)局，北京100000）