PRiDε：一种基于遗传优化差分隐私技术的、具有上下文感知和模式识别能力的数字孪生模型

《ACM Transactions on Intelligent Systems and Technology》：PRiDε: A Contextual and Pattern-Aware Model for Digital Twins Using Genetically Optimized Differential Privacy

数字孪生隐私保护框架PRiD结合上下文敏感度估计与遗传算法优化差分隐私参数，通过四层模块化架构实现动态隐私预算管理，在医疗、能源和交通领域达到95%以上效用，ε∈[0.1,0.35]且抗攻击性强。

　　

摘要AI 摘要

摘要

摘要

由于物联网（IoT）的推动，数字孪生（DT）在医疗保健、智能能源和移动性等关键领域的应用日益增加，这带来了前所未有的隐私风险，因为这些应用涉及持续的数据收集、对上下文的敏感性以及用户可追溯性。我们提出了一种名为 PRivacy in DT with minimum privacy budget 的方法（$\epsilon$），以及一种名为 PRiD 的上下文和模式感知的、基于遗传算法优化的自适应差分隐私（DP）模型（PRiD），通过模块化的四层架构来保护数字孪生的隐私。PRiD 结合了上下文敏感性估计、领域特定的启发式方法和遗传噪声注入，以实现针对每种模式的自适应差分隐私保护。它还整合了联邦学习（FL）机制，根据敏感性反馈和模型需求动态调整各节点的隐私保护参数（$\epsilon$）。一种隐私敏感的访问控制机制根据角色、预算和模式级别的风险来调节查询响应。在医疗保健、智能能源和移动性领域的评估表明，该方法在较低的隐私损失率（$>$95%）下仍能提供高效用，并且对重构、推断和隐私参数变化攻击具有很强的抵抗力。PRiD 支持可扩展的、保护隐私的数字孪生建模，理论分析和实证基准测试表明，在所提出的流程下，其整体最坏情况复杂度为 $\epsilon \in [0.1,0.35$），并且具有出色的隐私保护性能。

AI 摘要

AI 生成的摘要（实验性）

此摘要是使用自动化工具生成的，并非由文章作者编写或审核。它旨在帮助读者发现研究内容、评估其相关性，并协助来自相关研究领域的读者理解本文的工作。它是对作者提供的摘要的补充，而作者提供的摘要仍是文章的官方总结。完整文章才是权威版本。点击此处了解更多。

请 点击此处 对摘要的准确性、清晰度和实用性进行评论。您的反馈将有助于改进未来的版本。

AI 生成的摘要

版本创建于 2026 年 1 月 19 日。

本研究提出了 PRiD，这是一种用于物联网环境中数字孪生的隐私保护框架，它结合了上下文敏感性估计和差分隐私参数的遗传算法优化。数字孪生创建了物理实体的虚拟副本，并持续从医疗保健、智能电网和交通等领域收集实时数据，但这会暴露敏感的行为模式和个人信息，从而带来隐私风险。

该框架解决了传统静态差分隐私的局限性，后者使用固定的隐私预算和对所有数据应用统一的噪声处理方式。在动态的物联网流中，这种方法无法考虑时间相关性和上下文依赖的敏感性。例如，在智能能源系统中，单一的全球隐私设置可能会掩盖常规的消费模式，而无法保护揭示占用情况的异常数据。PRiD 则根据数据特征和上下文风险动态调整隐私保护措施。

该系统采用模块化的四层架构。上下文感知的摄取层在边缘执行领域特定的预处理，包括时间分割和元数据标记。模式敏感性估计层通过频繁模式挖掘识别高风险模式，并根据严重性、可识别性、领域重要性和个人信息相关性计算上下文敏感分数。隐私感知的联邦学习层使用遗传算法在去中心化训练过程中优化每个模式的隐私预算和噪声幅度。最终的访问控制 API 层根据敏感性和累积隐私预算消耗情况执行特定角色的策略并调节查询响应。

在医疗保健心电数据、智能能源消耗和 GPS 移动轨迹方面的评估表明，PRiD 在 0.1 到 0.35 的较低隐私损失率下实现了超过 95% 的效用，并且对重构、成员推断和隐私参数变化攻击具有很强的抵抗力。遗传优化引擎能够高效地搜索最佳隐私参数设置，从而在从历史行为模式中学习的同时最大化效用。

该框架结合了联邦学习，以保持去中心化同时确保强大的隐私保护。隐私预算根据敏感性反馈和模型需求进行调整，本地节点在安全聚合之前对私有化的数据集进行训练。基于角色的访问控制允许根据用户权限和剩余隐私预算进行适当的查询响应。

理论分析确立了在上下文差分隐私下的效用界限，而实证验证证明了 PRiD 的实际有效性。在所提出的流程下，整体最坏情况复杂度为 O(n log n)。

AI 摘要

AI 生成的摘要（实验性）

此摘要是使用自动化工具生成的，未经文章作者的撰写或审核。它旨在帮助读者发现研究内容、评估其相关性，并协助来自相关研究领域的读者理解本文的工作。它是对作者提供的摘要的补充，作者提供的摘要仍是文章的官方总结。完整文章才是权威版本。点击此处了解更多。

请 点击此处 对摘要的准确性、清晰度和实用性进行评论。您的反馈将有助于改进未来的版本。

AI 生成的摘要

版本创建于 2026 年 1 月 19 日。

本研究提出了 PRiD，这是一种用于物联网环境中数字孪生的隐私保护框架，它结合了上下文敏感性估计和差分隐私参数的遗传算法优化。数字孪生创建了物理实体的虚拟副本，并持续从医疗保健、智能电网和交通等领域收集实时数据，但这会暴露敏感的行为模式和个人信息，从而带来隐私风险。

该框架解决了传统静态差分隐私的局限性，后者使用固定的隐私预算和对所有数据应用统一的噪声处理方式。在动态的物联网流中，这种方法无法考虑时间相关性和上下文依赖的敏感性。例如，在智能能源系统中，单一的全球隐私设置可能会掩盖常规的消费模式，而无法保护揭示占用情况的异常数据。PRiD 则根据数据特征和上下文风险动态调整隐私保护措施。

该系统采用模块化的四层架构。上下文感知的摄取层在边缘执行领域特定的预处理，包括时间分割和元数据标记。模式敏感性估计层通过频繁模式挖掘识别高风险模式，并根据严重性、可识别性、领域重要性和个人信息相关性计算上下文敏感分数。隐私感知的联邦学习层使用遗传算法在去中心化训练过程中优化每个模式的隐私预算和噪声幅度。最终的访问控制 API 层根据敏感性和累积隐私预算消耗情况执行特定角色的策略并调节查询响应。

在医疗保健心电数据、智能能源消耗和 GPS 移动轨迹方面的评估表明，PRiD 在 0.1 到 0.35 的较低隐私损失率下实现了超过 95% 的效用，并且对重构、成员推断和隐私参数变化攻击具有很强的抵抗力。遗传优化引擎能够高效地搜索最佳隐私参数设置，从而在从历史行为模式中学习的同时最大化效用。

该框架结合了联邦学习，以保持去中心化同时确保强大的隐私保护。隐私预算根据敏感性反馈和模型需求进行调整，本地节点在安全聚合之前对私有化的数据集进行训练。基于角色的访问控制允许根据用户权限和剩余隐私预算进行适当的查询响应。

理论分析确立了在上下文差分隐私下的效用界限，而实证验证证明了 PRiD 的实际有效性。在所提出的流程下，整体最坏情况复杂度为 O(n log n)。消融研究证实，模式感知的敏感性估计和遗传算法优化对观察到的改进有显著贡献，与统一的差分隐私方法相比，综合性能提升了约 25% 到 28%，实现了更好的隐私-效用平衡，同时支持在多样化物联网应用中的可扩展、隐私保护的数字孪生建模。

此内容由 AI 生成。了解更多