zoukankan      html  css  js  c++  java
  • python实现差分隐私Laplace机制

    python实现差分隐私Laplace机制

     

    https://blog.csdn.net/qq_38242289/article/details/80798952

    kyton123 2018-06-25 11:22:43  7005  收藏 12

    分类专栏: Differential Privacy

    Laplace分布定义:

    下面先给出Laplace分布实现代码:

    1. import matplotlib.pyplot as plt
    2. import numpy as np
    3. def laplace_function(x,beta):
    4. result = (1/(2*beta)) * np.e**(-1*(np.abs(x)/beta))
    5. return result
    6. #-55之间等间隔的取10000个数
    7. x = np.linspace(-5,5,10000)
    8. y1 = [laplace_function(x_,0.5) for x_ in x]
    9. y2 = [laplace_function(x_,1) for x_ in x]
    10. y3 = [laplace_function(x_,2) for x_ in x]
    11. plt.plot(x,y1,color='r',label='beta:0.5')
    12. plt.plot(x,y2,color='g',label='beta:1')
    13. plt.plot(x,y3,color='b',label='beta:2')
    14. plt.title("Laplace distribution")
    15. plt.legend()
    16. plt.show()

    效果图如下:

    接下来给出Laplace机制实现:

    Laplace机制,即在操作函数结果中加入服从Laplace分布的噪声。

    Laplace概率密度函数Lap(x|b)=1/2b exp(-|x|/b)正比于exp(-|x|/b)

    1. import numpy as np
    2. def noisyCount(sensitivety,epsilon):
    3. beta = sensitivety/epsilon
    4. u1 = np.random.random()
    5. u2 = np.random.random()
    6. if u1 <= 0.5:
    7. n_value = -beta*np.log(1.-u2)
    8. else:
    9. n_value = beta*np.log(u2)
    10. print(n_value)
    11. return n_value
    12. def laplace_mech(data,sensitivety,epsilon):
    13. for i in range(len(data)):
    14. data[i] += noisyCount(sensitivety,epsilon)
    15. return data
    16. if __name__ =='__main__':
    17. x = [1.,1.,0.]
    18. sensitivety = 1
    19. epsilon = 1
    20. data = laplace_mech(x,sensitivety,epsilon)
    21. for j in data:
    22. print(j)
  • 相关阅读:
    String、StringBuffer、StringBuilder
    动态规划引入—矩阵乘法
    flask中间件
    有状态服务,无状态服务
    python 工厂模式
    python 单例模式
    python 工厂模式
    python timedelta() 和relativedelta()的区别
    mongo 查看(集合)表结构
    logstash 实现数据源分流
  • 原文地址:https://www.cnblogs.com/wcxia1985/p/14822480.html
Copyright © 2011-2022 走看看