孟小峰团队在IEEE S&P发表的论文针对大数据时代数据被过度收集的问题，提出一种基于本地化差分隐私的迭代方法。该方法主要基于键值对数据类型的计数查询和均值查询两种基本查询方式，在较高查询精度的前提下，有效地了键和值之间的关联性不被。相较于现有的研究方法，PrivKV的创新性主要体现在三个方面：（1）提出基于键值对数据的迭代本地化差分隐私方法；（2）方法严格了数据可用性和安全性；（3）提出权衡数据可用性和通信代价的最优化方案。在会议上，该工作得到评审专家的一致推荐和好评。 孟小峰所带领的网络与移动数据管理实验室于2006年开始开展隐私研究，包括隐私、数据发布和分析中的隐私、互联网搜索中的隐私和云计算中的隐私等，其中涉及的技术包括匿名化技术、隐私信息检索和差分隐私技术等。其中，对于本地化差分隐私技术，团队主要从大数据时代下伴随数据收集问题而来的数据安全和隐私问题出发，以数据扰动的方式个人的隐私信息不被泄露。本地化差分隐私方法是目前新兴的技术，严格的模型和极强的适应性使其在工业界得到广泛应用，梦见牙齿松动涉及谷歌、苹果和微软等知名企业。 IEEE S&P全称是IEEE Symposium on Security and Privacy，是安全与隐私领域传统的学术会议，已有40年的历史。在最近刚刚发布的计算机谷歌学术指标（Google Scholar Metrics, GSM）安全领域中排名第二，其全年录用率大约为10%，发表难度较高。过去三年中，国内学者在此会议发表论文总数不超过10篇。本论文是中国人民大学学者在该会议发表的第一篇论文。此外，孟小峰团队的此项研究课题得到了国家自然科学基金重大研究计划“大数据驱动的管理与决策”重点项目“大数据与治理中的隐私关键技术研究”资助。 本文由来源于财鼎国际(www.hengpunai.cn) |