[发明专利]一种具有一致性的分布式单维时序数据实时隐私保护发布方法

权利要求书

1.一种具有一致性的分布式单维时序数据实时隐私保护发布方法，其特征在于，通过自适应采样策略调节采样频率，在采样时刻通过拉普拉斯机制对采样数据进行扰动，然后通过基于卡尔曼一致性滤波的单维感知信息校正策略，对各节点在采样时刻的发布数据进行分布式后验估计，而在非采样时刻，直接发布先验预测数据，最终实现一种不依赖中心服务器、具有差分隐私保证和一致性的分布式单维时序感知数据实时发布方法，用于在智能电网分布式用电负载监测系统或疾病监测应用的分布式动态感知数据发布系统中，具体包括以下步骤：

1)数据建模：在统计汇聚发布场景中，定义分布式单维时序数据的实时隐私保护发布问题，并且对感知节点网络交互情况进行建模；具体操作为：在一个具有n个节点的分布式感知系统中，各个感知节点对同一感知目标信息进行实时地统计汇聚，形成分布式的第i个节点的单维感知数据序列X_i＝{x_i(1),…,x_i(k),…,x_i(T)}，k＝1,…,T，其中，x_i(k)为感知节点i在k时刻的感知数据，即节点i对汇聚范围内所有用户个体的汇聚信息，T为时间序列的长度，感知目标信息的实际统计序列为R＝{r(1),…,r(k),…,r(T)}，其中r(k)为感知目标在离散时间k时刻的实际统计值，节点i，k时刻的感知数据x_i(k)与感知目标实际数据r(k)的理论关系可以表示为

x_i(k)＝H_i·r(k)

其中，H_i为节点i的感知系数，隐私保护发布方法的目标是分布式节点在动态汇聚的过程中，实时地发布准确的感知目标统计数据，同时保护其中用户个体的隐私，由于单一节点的感知数据往往不够全面、准确，分布式节点的发布数据通常不一致，因此，在无中心汇聚服务器的分布式感知系统中，为了实现各节点动态发布信息的全面、准确与一致，各节点在进行隐私保护处理与发布的过程中，与其他节点进行相互通信与协同操作各，各个节点根据通信条件与某些邻近节点建立连接，进行局部交互，不与感知系统中的全部其他节点进行两两交互，采用无向图G＝(V,E)对上述感知节点网络交互情况进行建模，其中V＝{1,2,…,n}为节点集，E为边集，每两个能够相互通信的节点之间用边连接，即为邻居节点，为了降低网络通信负载，分布式系统中的感知节点在每个时刻仅与邻居节点进行信息交互，并且模型图G为连通图，由于各节点的感知数据在交互过程中可能被攻击，并且各节点之间的隐私安全不具备透明性，因此在与其他节点进行信息交互之前，各节点在本地端对感知数据进行隐私保护处理，用z_i(k)表示对节点i的感知数据x_i(k)进行隐私保护后的扰动数据；最后，各节点的分布式发布序列表示为O＝{o_i(1),…,o_i(k),…,o_i(T)},i＝1,…,n；

2)初始化：根据实际情况和需求预先设定所有节点的最大采样次数M和最大隐私预算ε，并为每一个采样时间点k按平均分配的原则预先分配好隐私预算

3)感知数据采样：各节点通过最新采样间隔决定当前时刻k是否对输入时序数据进行采样；具体操作为：如果当前时刻k等于节点i的最新采样时刻sp_i，且当前采样个数n小于最大采样次数M，那么当前时刻k对输入时序数据进行采样，当前时刻为采样点，并且采样个数n＝n+1，否则当前时刻k不对输入时序数据进行采样，当前时刻为非采样点；

4)感知数据扰动：采样的节点i通过拉普拉斯算法LPA，对节点i真实感知数据x_i(k)进行扰动，得到该节点满足差分隐私保证的扰动值z_i(k)，不采样的节点直接将其上一时刻的发布数据作为当前时刻的扰动观测数据；具体操作为：对需要采样的第i个节点在k时刻的感知数据x_i(k)，添加基于敏感度Δ_f和隐私预算ε_k校准的拉普拉斯噪声，得到扰动数据z_i(k)，即z_i(k)＝x_i(k)+Lap(0,Δ_f/ε_k)，其中敏感度Δ_f通常根据实际应用中的查询函数来计算，不需要采样的节点直接将其上一时刻的发布数据作为当前时刻的扰动观测数据；

5)感知信息交互：所有的节点包括非采样节点在本地通过卡尔曼一致性滤波-本地信息更新算法KCF-update，计算节点i的先验估计值以及广播信息message_i(k)，并广播给所有的邻居节点，同时接收来自于邻居节点的广播信息，交互的信息中不涉及各个节点的真实采样数据；具体操作为：所有节点的本地通过卡尔曼一致性滤波-本地信息更新算法，在k时刻，通过过程模型计算第i个节点的先验估计值其中A是转移系数，是第i个节点上一时刻通过卡尔曼一致性估计器计算后验估计值；然后计算第i个节点的信息向量u_i(k)与矩阵U_i，R_j为节点j的观测噪声方差，H_i为节点i的感知系数，节点i的待交互信息包含k时刻的先验估计值与信息向量u_i(k)，以及矩阵U_i，其标准化形式为并将message_i(k)广播给相邻节点即j∈N_i，同时接收全部相邻节点的广播信息，最后融合节点i与其相邻节点j∈N_i的信息获得融合感知数据融合方差

6)感知信息校正：采样节点利用先验信息和邻居节点的感知信息实现对本地扰动数据的校正，通过卡尔曼一致性滤波-单维分布式估计算法KCF-correction，对当前时刻k的感知目标进行后验估计并发布，非采样节点直接发布此时刻的先验估计并完成本次迭代；具体操作为：在采样节点上，通过先验信息和相邻节点感知信息即融合感知数据y_i(k)和融合方差S_i(k)进行校正，节点i能够得到k时刻准确的后验估计首先计算当前节点i在k时刻的一系列参数：卡尔曼增益M_i、一致性增益γ以及估计误差方差P_i；卡尔曼增益一致性增益其中β＞0是一个相对较小的常数，估计误差方差P_i＝AM_i(k-1)A^T+Q，其中A是转移系数，Q为用户状态方程中噪声的方差，与检测目标本身的变化相关，从历史数据中获得；利用一系列参数与融合信息计算后验估计即：

在非采样节点上，直接发布先验估计即其中A是转移系数，是第i个节点上一时刻通过卡尔曼一致性估计器计算后验估计值，与此同时，其他节点也正同步计算本地信息与后验估计，因此全部节点都能够实现准确地分布式估计；

7)感知更新反馈：采样节点将先验后验估计误差反馈给PID控制器，通过自适应采样算法Adaptive Sampling更新采样间隔并完成本次迭代，如果采样次数超出了最大采样次数M，则系统停止采样。

2.根据权利要求1所述的一种具有一致性的分布式单维时序数据实时隐私保护发布方法，其特征在于，步骤7)的具体操作为：由于在动态数据的实时发布中缺少时序数据的先验知识，检测数据的动态变化来实时调节采样频率，引入的滤波策略，根据先验估计与后验估计的偏差来衡量数据的变化情况，则定义第n个采样时刻k_n的反馈误差为其中为k_n的先验估计，0k_nT，为k_n的后验估计，参数δ的设置是为了防止除数为0的情况，统计汇聚场景中通常取1，后验估计接近感知目标的实际数据，同时先验估计是由固定的过程模型确定的，因此推断如果反馈误差增大，则意味着实际的目标数据正经历迅速的变化，此时将该误差反馈给控制器，控制器检测到误差并相应地缩小采样间隔，即可实现采样频率的动态调节，采用最普遍的反馈控制器——PID控制器来衡量采样的性能，基于反馈误差的PID控制器输出误差Δ为：

其中，C_p、C_i、C_d分别为比例、积分、微分控制增益，T_i为i节点的积分时间，基于上述自适应采样策略的分析，k_n时刻的采样间隔的更新公式为：

其中，θ和ξ为预定义参数，θ决定采样间隔的变化幅度，ξ为采样过程的调整点，sp_i为节点i的最新采样时刻，其需要根据采样间隔进行更新，即但如果采样次数n超出了最大采样次数M，则系统停止采样，最新采样时刻sp_i不再进行更新。