数据管理与智能分析实验室（Imada）关于联邦空间数据发布的论文被《计算机应用》期刊录用。《计算机应用》是人工智能、数据科学与技术、网络空间安全、先进计算、网络与通信、计算机软件技术、多媒体计算与计算机仿真、前沿与综合应用等多个领域的知名期刊，也是中国计算机学会(CCF)-中文C类期刊。

论文题目：

结合差分隐私与安全聚集的联邦空间数据发布方法

Federated Spatial Data Publication with Differential Privacy and Secure Aggregation

论文作者：

张治政，张啸剑，王俊清，冯光辉

研究背景：

目前许多手机应用程序为了给客户端提供更好的使用体验，通常需要获取客户端的空间位置数据，被收集的客户端位置可以是GPS数据、家庭住址、移动轨迹等。当这些空间数据被不可信第三方进行收集或分析时，客户端的位置信息有可能被泄露。例如，通过分析相应空间位置可以获得客户端的轨迹行为模式。敏感位置泄露问题使得国家颁布系列法律法规来约束与控制收集者的行为，但同时导致空间数据孤岛问题越来越严重。联邦分析技术使得用户敏感位置不离开本地的情况下，能够满足服务端收集与分析的需求。但目前针对联邦空间数据发布的方法存在以下问题：（1）服务端缺少高效的空间索引结构收集客户端的位置数据。（2）联邦环境下发布空间数据时，客户端的位置信息存在有泄露风险，未能给客户端数据提供足够的隐私性和安全性。

解决方案：

针对联邦空间数据的数据孤岛问题、空间数据索引问题以及发布联邦空间数据存在的隐私问题，提出了基于动态四分树的联邦空间数据发布FSP方法。在FSP方法的每轮迭代中，服务端把四分树副本共享给该轮中每个客户端，每个客户端利用四分树副本编码自身位置数据、利用Polya分布产生离散噪音本地扰动编码结果；结合容错学习生成本地掩码对噪音结果进行加密。安全聚集端结合该轮迭代中每个客户端的报告值，执行安全聚集与消除掩码操作，然后把聚集结果发送给服务端。服务端结合收集的编码向量与噪音方差自底向上地动态修剪四分树结构。在四个空间数据集上的实验表明，FSP方法在保证客户端隐私的同时，其联邦空间数据发布精度优于同类方法。

部分实验结果