横向联邦学习中PCA差分隐私数据发布算法
PCA differential privacy data publishing algorithm in horizontal federated learning
南京邮电大学 a. 计算机学院; b. 江苏省大数据安全与智能处理重点实验室, 南京 210023
摘要
为了让不同组织在保护本地敏感数据和降维后发布数据隐私的前提下，联合使用PCA进行降维和数据发布，提出横向联邦PCA差分隐私数据发布算法。引入随机种子联合协商方案，在各站点之间以较少通信代价生成相同随机噪声矩阵。提出本地噪声均分方案，将均分噪声加在本地协方差矩阵上。一方面，保护本地数据隐私；另一方面，减少了噪声添加量，并且达到与中心化差分隐私PCA算法相同的噪声水平。理论分析表明，该算法满足差分隐私，保证了本地数据和发布数据的隐私性，较同类算法噪声添加量降低。实验从隐私性和可用性角度评估该算法，证明该算法与同类算法相比具有更高的可用性。
基金项目
国家自然科学基金面上项目(61872197,61972209)
出版信息
DOI: 10.19734/j.issn.1001-3695.2021.06.0234
出版期卷: 《计算机应用研究》 印刷出版, 2022年第39卷 第1期
所属栏目: 信息安全技术
出版页码: 236-239,248
文章编号: 1001-3695(2022)01-041-0236-04
发布历史
[2021-08-31] 优先出版
[2022-01-05] 印刷出版
引用本文
朱骁, 杨庚. 横向联邦学习中PCA差分隐私数据发布算法 [J]. 计算机应用研究, 2022, 39 (1): 236-239,248. (Zhu Xiao, Yang Geng. PCA differential privacy data publishing algorithm in horizontal federated learning [J]. Application Research of Computers, 2022, 39 (1): 236-239,248. )
关于期刊
- 计算机应用研究 月刊
- Application Research of Computers
-
刊号
ISSN 1001-3695
CN 51-1196/TP
《计算机应用研究》创刊于1984年，是由四川省科技厅所属四川省计算机研究院主办的计算技术类学术刊物。
《计算机应用研究》瞄准本学科领域迫切需要的前沿技术，及时反映国内外计算机应用研究的主流技术、热点技术及最新发展趋势。主要刊载内容包括本学科领域高水平的学术论文、本学科最新科研成果和重大应用成果。栏目内容涉及计算机学科新理论、计算机基础理论、算法理论研究、算法设计与分析、区块链技术、系统软件与软件工程技术、模式识别与人工智能、体系结构、先进计算、并行处理、数据库技术、计算机网络与通信技术、信息安全技术、计算机图像图形学及其最新热点应用技术。
《计算机应用研究》拥有众多高层次读者、作者，读者对象主要为从事计算机学科领域高、中级研究人员及工程技术人员，各高等院校计算机专业及相关专业的师生。多年来《计算机应用研究》的总被引频次及Web下载率一直名列本学科同类学术刊物前茅，所刊发的学术论文以其新颖性、学术性、前瞻性、导向性、实用性而备受广大读者的喜爱。
收录和评价
- 第二届国家期刊奖百种重点期刊
- 中国期刊方阵双效期刊
- 全国中文核心期刊（北大2023年版）
- 中国科技核心期刊
- 中国科学引文数据库(CSCD)来源期刊
- RCCSE中国核心学术期刊
- 中国计算机学会会刊
- 2020—2022年科技期刊世界影响力指数(WJCI)报告收录期刊
- 中国科技期刊精品数据库全文来源期刊
- 中国学术期刊综合评价数据库来源期刊
- 《中国期刊网》《中国学术期刊(光盘版)》来源期刊
- 2017—2019年中国国际影响力优秀学术期刊(自然科学与工程技术)
- 中国精品科技期刊顶尖学术论文(F5000)项目来源期刊
- 《中国工程技术电子信息网》《电子科技文献数据库》来源期刊
- 英国《科学文摘》(INSPEC)来源期刊
- 《日本科学技术振兴机构数据库》(JST)来源期刊
- 俄罗斯《文摘杂志》(AJ, VINITI)来源期刊
- 美国《艾博思科学术数据库》(EBSCO)全文来源期刊
- 美国《剑桥科学文摘(自然科学)》(CSA(NS))核心期刊
- 波兰《哥白尼索引》(IC)来源期刊
- 美国《乌利希期刊指南(网络版)》(Ulrichsweb)收录期刊
