7、差分隐私机制：拉普拉斯与高斯噪声的应用探索

差分隐私机制：拉普拉斯与高斯噪声的应用探索

1. 拉普拉斯差分隐私的简单尝试

在差分隐私机制中，为了保护每个个体的隐私，我们可以向查询结果添加噪声。这里我们尝试使用拉普拉斯噪声来实现差分隐私。

1.1 简单实现代码

import numpy as np

epsilon = 1.1

def naive_laplace_dp_mechanism(value, epsilon):
    # Please do not use this function, ever :)
    orig_value = value
    value =  np.random.laplace(value, 1/epsilon) 
    print("Noise: {}".format(value - orig_value))
    return value

1.2 代码解释

• np.random.laplace(value, 1/epsilon) ：这里的 value 是拉普拉斯分布的位置参数（μ），表示分布的中心； 1/epsilon 是分布的尺度参数（b）。
• epsilon ：用于差分隐私保证的参数，这里定义为 1.1 。

1.3 计算数据集年龄均值

ages