[发明专利]面向隐私保护的分布式估计方法、系统与可读存储介质

说明书

本发明公开了一种面向隐私保护的分布式估计方法，用于在分布式个体系统中存在差分隐私噪声时，对分布式个体的未知参数进行估计，包括以下步骤：每个个体i通过将差分隐私噪声添加到x_i(t)中生成噪声估计，并将噪声估计发送到个体i的每个相邻个体j；x_i(t)是个体i在时间t≥1时对未知参数的估计；每个个体i使用来自相邻个体j的噪声估计来更新个体i下一次对未知参数的估计。

技术领域

本发明涉及数据隐私保护领域，具体涉及一种面向隐私保护的分布式估计方法、系统与可读存储介质。

背景技术

当估计或者学习分布式传感器网络中的未知信号或参数时，每个传感器可以根据自己的噪声测量和从其他传感器收集的信息产生局部估计。

在集中式估计场景中，所有传感器都将数据传输到一个融合中心；随着传感器网络和无线通信的快速发展，系统规模越来越大，计算和通信负担也随着系统规模的增大而迅速增加；另一方面，在集中式处理中，由于通信能力有限、能量消耗或丢包等原因，在许多实际情况下，收集来自网络上所有其他分布式传感器的测量值可能是不可行的。

因此，分布式估计算法被开发出来，它将更鲁棒，需要更少的通信，并允许并行信息处理。由于传感器只需要与自己的邻居交换信息，分布式估计受到了极大的关注，并在工业监控、多智能体系统、智能电网等领域有着广泛的应用。

然而，如果本地个体的训练数据包含工资或医疗记录等敏感信息，则个体之间以这种分布式方式进行的通信会带来隐私问题；例如，进行医学预测，其中每个个体代表一家医院，每个医院都希望根据从其患者那里收集到的训练数据来推断用于药物治疗预测的回归模型；这里的训练数据包含单个患者的医疗记录，医院可以相互交换信息，但他们希望保护自己患者的医疗记录的隐私；另一个例子是交通估计问题，其中每个智能体，如车辆，它的初始条件对应于驾驶员家的位置，因此在这类系统中非常需要隐私保护算法来保证隐私性。

现有技术中的方法难以做到对数据进行差分隐私的同时，对分布式个体系统的未知参数进行有效的估计。

发明内容

为解决上述技术问题，本发明提供一种面向隐私保护的分布式估计方法、系统与可读存储介质。

为解决上述技术问题，本发明采用如下技术方案：

一种面向隐私保护的分布式估计方法，用于在分布式个体系统中存在差分隐私噪声时，对分布式个体的未知参数进行估计，包括以下步骤：

步骤一：每个个体i通过将差分隐私噪声添加到x_i(t)中生成噪声估计，并将噪声估计发送到个体i的每个相邻个体j；x_i(t)是个体i在时间t≥1时对未知参数的估计；

步骤二：每个个体i使用来自相邻个体j的噪声估计来更新个体i下一次对未知参数的估计。

具体地，所述分布式个体系统的线性观测模型y_i(t)＝H_i(t)θ^*+ω_i(t),为多个体系统中的节点数，其中y_i(t)是个体i的测量向量，ω_i(t)是个体i的零均值独立同分布且协方差为R_i的测量噪声，H_i(t)表示个体i的时变测量矩阵，是待估计的未知参数，表示实数域，m_i为个体i的测量向量的维度，n为状态向量的维度；

步骤一中，每个个体i都会将其当前的噪声估计发送到其每个相邻个体j，其中表示个体i的所有相邻个体，n_i(t)为零均值独立同分布且方差为的拉普拉斯噪声，l＝1,2,…,n，Lap表示拉普拉斯分布；

步骤二中，使用来自相邻个体j的噪声估计来更新个体i下一次对未知参数的估计其中α(t)是设置的步长。