[发明专利]一种面向用户用电数据的周期敏感度差分隐私保护方法

说明书

本发明涉及一种面向用户用电数据的周期敏感度差分隐私保护方法，包括下列步骤：1)采用分界判定算法将原始用电序列分解为平稳期序列集和活跃期序列集，获取各类周期敏感度；2)生成与平稳期序列等长的IID‑Laplace噪声Z，对平稳期序列集进行差分隐私保护；3)获取与活跃期序列等长的相关性Laplace噪声，对活跃期序列集进行差分隐私保护；4)将待发布平稳期序列集、待发布活跃期序列集按时间戳合并为一个序列，获取待发布序列，完成周期敏感度差分隐私保护方法。与现有技术相比，本发明具有增强隐私保护强度，加强在用户用电数据集上的可用性等优点。

技术领域

本发明涉及解决智能电表用户用电数据技术领域，尤其是涉及一种面向用户用电数据的周期敏感度差分隐私保护方法。

背景技术

智能电表是智能电网系统中重要的量测点与组成部分，在智能电表运行的过程中记录了大量的用户用电信息，能够为电力公司的负载管理、网络规划、优化生产等功能提供数据支持。但是采集用户用电数据可能会被攻击者推测出用户的用电行为模式，进而对用户隐私构成严重威胁。因此，怎样处理智能电表数据才能既保护用户的隐私，又能够保留原始数据的统计特性，是用户用电数据发布急需解决的问题。

现有技术提出的差分隐私机制以严格的数学公式定义了隐私保护水平和量化评估方法，即使在最大背景知识假设下(即攻击者只有一条数据记录没有掌握)，也能保证该条记录的隐私不会披露。因此差分隐私迅速取代传统隐私保护方法的地位，成为了当前隐私保护的研究热点。但是原始差分隐私机制有着数据独立的前提条件，数据的相关性会破坏差分隐私保护强度。在具有相关性的时序数据集中，差分隐私机制往往达不到设计的隐私保护强度。

此外，现有研究还包括使用4组独立同分布的高斯信号生成拉普拉斯信号的方法，给出了一种生成具有特定相关性的拉普拉斯噪声的方法。该方法可以生成与原始数据序列自相关函数值相同的噪声序列，但该方法使用的是全局敏感度，因此噪声量级较大，会对数据可用性造成较大的影响。

与大部分的相关时序数据不同，由于用户用电数据序列的数学统计特性受到用户用电行为模式的制约，通常会显现较为明显的周期性，数据的全局敏感度往往较大。用户用电数据序列的颗粒度随着智能电表的普及与发展变得越来越小，未来甚至可能对每个电器进行单独监控，数据集的维度有可能达到上百维。数据维度的升高会导致稀疏度随之提升，现有的面向时序数据的差分隐私保护方法在用户用电数据集上的可用性并不强。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种面向用户用电数据的周期敏感度差分隐私保护方法。

本发明的目的可以通过以下技术方案来实现：

一种面向用户用电数据的周期敏感度差分隐私保护方法，包括如下步骤：

(一)、使用分界判定算法将原始用电序列分解为平稳期序列集和活跃期序列集。

从原始用电序列X中取一段连续序列放入新序列L，以x_l表示L中的最大值。若L满足分解条件，则将L分解；否则不分解，将x_|L|+1放入L，更新x_l并判断下一个序列值。序列的分解条件是：

(1)

(2)分出的序列长度不小于时间跨度σ。

式中，x_max和x_min是X中的最大值与最小值。令为原始用电序列X的均值，为新序列L的均值，如果则L为平稳期序列；否则为活跃期序列。若连续分解出的序列属于同一类序列集，则按照时间戳合并为一个序列片段。当X全部分解之后，得到平稳期序列集和活跃期序列集。实验中设置界定阈值δ∈(0,1]，时间跨度σ的建议范围是10mins～30mins。考虑到用户用电行为及智能电表的采样频率不同，δ和σ要由技术人员根据数据集的具体情况设定。