Resumen

La recopilación de datos multidimensionales obtenidos a través de la participación de la multitud ha generado preocupación pública debido a problemas de privacidad. Para abordar esto, se propone la privacidad diferencial local (LDP, por sus siglas en inglés) para proteger los datos obtenidos de la multitud sin una gran pérdida de utilidad, lo cual es ampliamente utilizado en la práctica. Sin embargo, los protocolos existentes de LDP ignoran los requisitos de privacidad personal de los usuarios a pesar de ofrecer una buena utilidad para los datos multidimensionales obtenidos de la multitud. En este documento, consideramos la personalidad de los dueños de los datos en la protección y utilización de sus datos multidimensionales al introducir el concepto de privacidad diferencial personalizada (PLDP). Específicamente, diseñamos la codificación unaria optimizada múltiple personalizada (PMOUE) para perturbar los datos de los dueños de los datos, lo cual cumple con -PLDP. Luego, se desarrolla un algoritmo de agregación para la estimación de frecuencias en datos

• Materias:Cifrado de búsqueda Seguridad informática Reconstrucción virtual Detección de intrusos Sistema de programación
• Subjects:Search encryption Computer security Virtual reconstruction Intrusion detection Programming system
• Palabras claves:Datos obtenidos por crowdsourcing; Problemas de privacidad; Privacidad diferencial local; LDP personalizado; Datos multidimensionales; Algoritmo de agregación.
• Keywords:Crowdsourced data; Privacy issues; Local differential privacy; Personalized LDP; Multidimensional data; Aggregation algorithm