.png){kind=icon}
返回
Sensitivity-Aware Auditing Service for Differentially Private Databases
.png){kind=icon}
PRE
AI
DOI：10.1109/TIFS.2026.3661818.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
差分隐私数据库（DP-DBs）在保证数据查询分析效用的同时提供严格的隐私保障。然而，在实践中确保部署的DP-DBs真正满足这些保障仍是一个关键挑战。不恰当的噪声注入或存在缺陷的实现可能导致隐私侵犯，凸显了系统性评估DP-DBs隐私行为（包括部署前后）的审计服务的迫切需求，这与在差分隐私机器学习（DP-ML）应用中广泛研究的审计实践类似。与DP-ML审计相比，差分隐私数据库的审计面临独特的挑战，这些挑战不同于DP-ML审计中遇到的问题。具体而言，处理可变查询敏感度以及使用不同的隐私机制（如拉普拉斯噪声）需要开发专门定制的审计方法。在本文中，我们介绍了 $\textsf{DP}\textsf{Audit}$，一个全面的敏感度感知审计服务框架，旨在评估和验证DP-DBs的隐私保障。 $\textsf{DP}\textsf{Audit}$通过以下方式增强了现有审计能力：1）采用自适应邻近数据集生成，反映真实世界的查询敏感度；2）为拉普拉斯和高斯机制提供优化的隐私损失估计器，用于估计 $\epsilon$。此外， $\textsf{DP}\textsf{Audit}$通过统计假设检验提供自动化的噪声检测服务，使得即使在黑盒设置下也能进行隐私审计。广泛的实验结果表明， $\textsf{DP}\textsf{Audit}$能够提供准确高效的审计服务，以低计算开销获得隐私参数 $\epsilon$的稳健估计。我们的框架填补了DP-DBs部署流程中的一个关键空白，为开发者和用户提供了可操作的隐私洞察。
Keyword:
Differential privacy
databases
auditing
sensitivity
black-box
期刊
IF:
8
论文数:
5.3K
被引数:
2.3W
机构
引用论文
.png){kind=icon}
分享收藏SQL Ledger: Cryptographically Verifiable Data in Azure SQL DatabaseSQL Ledger: 可通过密码学验证的数据在Azure SQL数据库中
PREAI
分享收藏
查看更多内容