随着通信网络和计算能力的快速发展,终端智能设备的广泛应用使个人数据源源不断的增长。服务提供商通过云计算、深度学习等技术收集愈加精确的个人数据,从而得到更高的服务质量,但是服务商在收集终端设备的敏感信息时,个人隐私存在泄露的风险。首先,个人敏感信息在收集过程中容易遭受敌手的恶意攻击从而导致泄露;其次,敌手通过差分攻击多次查询统计信息从而推断出具体的个人数据;再次,不可信的第三方服务商可能会非法出售客户端原始数据或其内部人员恶意泄露。因此个人敏感数据被用于提供高质量服务的同时,如何保障隐私需求是隐私保护研究的关键所在。局部差分隐私模型作为当下热门的隐私保护技术,受到企业和学者的青睐。本文关注于局部差分隐私下的数据隐私保护,研究如何在不同隐私保护场景下提供可靠的隐私保护水平并维持良好的数据可用性。随着数据隐私保护技术研究的深入,在不同的应用场景下出现新的隐私问题和技术挑战,本文着重解决以下三个方面的隐私问题。问题一:大数据环境下的局部差分隐私模型存在诸多不足,如算法统计信息误差大,准确度低,时空复杂度高等问题。另外,在实际应用中,不同的任务部署不同的局部差分隐私协议,每种协议处理当前场景所需的合适的参数难以找到,甚至出现估计值为负数的情况。这些问题无疑增加了数据隐私保护的代价。问题二:数据流的收集和发布,可以获得有价值的信息,了解重要的现象,如移动人群感知、交通服务流监控、社交网络热点追踪等。但是数据流数据动态变化,数据规模巨大,结构复杂,对数据流实时分析和保护十分困难,并且易出现隐私泄露问题。传统的隐私保护方案如差分隐私保护模型,需要依赖可信第三方服务器,增加了数据流隐私保护的不确定性。问题三:随着深度学习的广泛应用,大量敏感数据被用于模型训练。联邦学习作为分布式机器学习,被用来为训练数据提供隐私保护。但是在本地客户端上传更新时,存在参数泄露的风险,导致敌手推断出本地数据。为解决上述数据隐私保护中存在的三个问题,本文按照以下几个解决方案展开研究。第一,提出基于Laplace和概要矩阵的局部差分隐私收集方案。讨论现存局部差分隐私协议可用性低的原因,使用拉普拉斯机制和计数概要矩阵在不提升时空复杂度的前提下解决这一问题。通过实验验证提出的算法具有更高的可用性并且适用于不同规模的数据,并表明在不同分布和不同数据域值下依然保持较高的效用。第二,研究局部差分隐私数据流数据隐私保护。提出局部差分隐私数据流保护协议,它不仅可以提供数据流隐私,还可以保证高数据可用性,并且有较小存储和计算能力开销。所提出的方法利用满足w-事件隐私的滑动窗口来实时寻找稳定的子数据流和显著移动。实验结果表明,所提出的协议具有较高的实用性,既适用于数值属性,也适用于分类属性,并且在不同的分布和数据流大小下都能保持其实用性。第三,设计局部差分隐私约束下的联邦学习框架。在本地更新中加入满足局部差分隐私定义的噪声,并采用传统的扰动机制对关键属性数据进行保护。因此,可以通过聚合操作对全局模型参数进行初始化,减少了模型训练的通讯轮数。实验表明,该框架提供了额外的隐私保证和有效的模型训练精度,并且比单独使用局部差分隐私或联邦学习的效率更高。本文针对局部差分隐私数据隐私保护中存在的问题,提出了三个方面的研究策略,为相关问题的解决提供了新的方法。图34表8参82