22、隐私保护边缘视频分析与雾/边缘计算安全

隐私保护边缘视频分析与雾/边缘计算安全

1. 隐私保护边缘视频分析（FedEVA）

1.1 扰动模型参数与隐私证明

在边缘视频分析中，扰动模型参数向量不仅与真实模型参数 (r_u) 有关，还与在公共数据集上训练的模型参数有关。为证明 FedEVA 框架的隐私级别，将其与标准差分隐私（DP）方案进行比较。标准 DP 方案的噪声 (w) 服从拉普拉斯分布 (Lap(0, \lambda_{DP}))，其中 (\lambda_{DP} = \frac{\Delta r_u}{\epsilon})。

命题 1 ：对于本地 FedEVA 用户 (u)，当添加的噪声 (\alpha) 服从拉普拉斯分布 (\alpha \sim Lap(0, \lambda_0)) 时，可实现 (I_{FedEVA}^{p,u} = I_{DP}^{p,u})，(\forall u \in U)，其中 (\lambda_0 = \frac{\lambda_{DP}}{|r’|_2} = \frac{\Delta r_u}{\epsilon |r’|_2})。

证明过程 ：
从算法 3 出发，有 (|r_u - \hat{r} u|_2 = |\alpha| |r’|_2)。
因此，(I {FedEVA}^{p,u} = Pr{|\alpha| \leq \frac{\epsilon_p}{|r’| 2}} = 1 - exp(-\frac{\epsilon_p}{\lambda_0 |r’|_2}))。
类似地，对于 (\epsilon) - DP，