具有可充电电池的智能电表系统的信息论隐私保护
研究了智能电表系统中隐私成本权衡的问题,使用可再生能源和有限容量的可充电电池,利用马尔可夫决策过程和动态规划,设计电池的充电和放电策略,使隐私泄露和能源成本的线性组合最小化,并提出了两种低复杂度的能源管理策略。
Feb, 2019
本文研究了用于隐私保护的机制,特别是针对时序数据和智能电表的用电量测量。对于这种情况,本文提出了一种基于 Directed Information 的隐私测量方法,并提出了一个新的损失函数,使用对抗框架进行优化,验证了该方法的有效性,并显示了隐私和效用之间的平衡。
Nov, 2020
提出了一种基于深度强化学习的负载整形算法 (PLS-DQN),通过主动创建人工负载签名来误导潜在攻击者,旨在保护用户隐私,同时保持成本效益。评估结果表明,该方法不仅有效隐藏真实能源使用模式,而且在提高用户隐私的同时也超越了最先进的方法。
May, 2024
本文主要介绍了提高用户隐私保护的能源管理技术,它们通过使用可再生能源、需求塑造等物理资源管理实现准确获取能源消费信息,并在保护用户隐私的前提下进行严格的数学分析。
Feb, 2018
提出一种用于捕获用户向被动好奇敌手发布数据时产生的隐私威胁并在效用约束下加以限制的一般性统计推断框架,其中应用自信息成本函数于非渐进信息论方法用于表征最佳可实现的隐私,基于这些结果引入平均信息泄漏和最大信息泄漏两种隐私度量,证明在两种指标下,将用户数据映射到隐私保护输出的最优映射可被描述为修正的率失真问题并可设计成凸编程,最后与差分隐私进行比较。
Oct, 2012
本文研究小型 IoT 系统中的能量收集、访问控制和电池预测问题,提出了基于强化学习和深度 Q 网络的三种算法,实验结果表明这些算法在性能上比现有基准方法更优秀。
May, 2018
本文提出了一种新颖的局部差分隐私方法(称为 LDP-SmartEnergy),利用滑动窗口和随机响应技术,在不揭示个人用户的设备使用模式的情况下,促进了随时间共享设备级能耗数据。评估结果表明,与基准方法相比,LDP-SmartEnergy 的运行效率高,同时结果还表明我们的解决方案在保护隐私和保持数据有效分析的效用之间取得了平衡。
Nov, 2023