近日，我室学术论文“Addressing Sensitivity Distinction in Local Differential Privacy: A General Utility-Optimized Framework”被第34届USENIX Security Symposium录用。论文第一作者是我室博士生贺星宇，通信作者是我室朱友文教授。
本地差分隐私(Local Differential Privacy, LDP) 被广泛用于解决数据收集过程中的隐私问题。然而，LDP模型忽视了数据敏感度的差异，默认所有隐私数据都同等敏感，从而导致过度扰动并降低了数据效用。效用优化本地差分隐私 (Utility-optimized LDP, ULDP) 旨在缓解这一问题，但现有ULDP机制仅在有限的LDP机制中考虑了敏感度区分。为系统性地解决LDP模型中的敏感度区分问题，论文提出了通用的LDP到ULDP转换框架 (General LDP-to-ULDP Transformation Framework, GLUTF)，能够将任意LDP机制转换为其对应的ULDP机制，并保持诸如效用最优和无偏估计等关键性质。随后，论文提出了纯ULDP框架，设计了一套通用的聚合与效用分析方法，适用于所有纯ULDP 机制，便于对不同ULDP机制进行便捷统一的分析、比较与优化。在此基础上，论文将三种广泛使用的LDP机制转换为其ULDP版本，给出了每种机制的最优适用场景，并从理论和实验上证明了所提机制在数据效用和通信开销上均优于现有机制。
USENIX Security Symposium始于1990年，已有30多年历史，与IEEE S&P、NDSS、ACM CCS被公认为网络与信息安全领域的四大顶级国际会议，被录用稿件代表着当前网络与信息安全领域国际最前沿的研究水平。