• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    本地差分隱私保護(hù)及其應(yīng)用*

    2018-07-05 10:47:44高志強(qiáng)崔翛龍
    關(guān)鍵詞:收集者差分算法

    高志強(qiáng),崔翛龍,周 沙,袁 琛

    (武警工程大學(xué)烏魯木齊校區(qū),新疆 烏魯木齊 830049)

    1 引言

    隨著互聯(lián)網(wǎng)、云計(jì)算技術(shù)應(yīng)用領(lǐng)域的不斷擴(kuò)張和大數(shù)據(jù)分析技術(shù)的飛速發(fā)展,海量數(shù)據(jù)在個(gè)人、企業(yè)、研究機(jī)構(gòu)等源源不斷地產(chǎn)生。無論是互聯(lián)網(wǎng)巨頭還是各種社會(huì)組織越來越鐘情于收集和分析用戶數(shù)據(jù)[1]。例如,瀏覽器(Browser)和移動(dòng)應(yīng)用軟件(Mobile APP)無時(shí)無刻地通過收集用戶終端數(shù)據(jù)來訓(xùn)練機(jī)器學(xué)習(xí)模型,分析用戶行為模式;社會(huì)服務(wù)類企業(yè)會(huì)收集用戶的生活統(tǒng)計(jì)數(shù)據(jù)來制定相應(yīng)個(gè)性化服務(wù)方案[2 - 4]。收集用戶數(shù)據(jù)是把雙刃劍,第三方直接收集用戶信息不利于保護(hù)用戶隱私,然而不準(zhǔn)確地收集用戶信息,相應(yīng)的服務(wù)質(zhì)量就很難得到反饋提升,這樣也不利于公共利益。因此,在數(shù)據(jù)收集階段引入隱私保護(hù)機(jī)制來降低并控制隱私泄露的風(fēng)險(xiǎn),平衡隱私保護(hù)與數(shù)據(jù)可用性之間的關(guān)系,解決和完善針對(duì)不犧牲用戶個(gè)人隱私的大數(shù)據(jù)分析問題和機(jī)制是極具理論和實(shí)際意義的。

    從1977年Dalenius[5]提出的隱私控制的定義,到經(jīng)典數(shù)據(jù)脫敏方法k-anonymity[6]及其改進(jìn)模型[7 - 11]都存在著以下缺陷:(1)集中存儲(chǔ)模型下,非可信數(shù)據(jù)管理者使用戶無法直接控制個(gè)人隱私數(shù)據(jù)。(2)由于背景知識(shí)無法明確界定,基于等價(jià)類的隱私保護(hù)模型被迫隨著新攻擊技術(shù)的出現(xiàn)而不斷被動(dòng)調(diào)整。(3)無法提供嚴(yán)格且有效的數(shù)學(xué)理論來證明其隱私保護(hù)水平,無法定量分析隱私泄露風(fēng)險(xiǎn)。值得重視的是,即使被嚴(yán)格處理的數(shù)據(jù)也可能泄露用戶隱私,被去匿名化后的Netflix Prize競(jìng)賽歷史數(shù)據(jù)信息[2,12],便可以通過數(shù)據(jù)關(guān)聯(lián)(Linkage)推斷出用戶具體隱私信息。

    盡管早在2006年微軟研究院的科學(xué)家Dwork[13 - 17]提出了嚴(yán)格可證明的差分隱私保護(hù)技術(shù)DP(Differential Privacy),但由于仍然需要第三方來管理用戶隱私數(shù)據(jù),差分隱私一直是停留在理論研究層面的隱私定義,未被大規(guī)模地應(yīng)用于實(shí)際產(chǎn)品中。因此,為平衡“個(gè)人隱私”和“大數(shù)據(jù)分析”關(guān)系,滿足差分隱私保護(hù)特性,提高保護(hù)機(jī)制的隱私性和可用性,眾包模式下的本地差分隱私保護(hù)LDP(Local Differential Privacy)[2,12,18]的概念應(yīng)運(yùn)而生。LDP可以在不需要信任第三方數(shù)據(jù)管理者的情況下,直接在本地將隱私數(shù)據(jù)加噪來保護(hù)個(gè)人信息不被泄露,同時(shí)從宏觀角度保證數(shù)據(jù)收集者可正確地推斷出群體統(tǒng)計(jì)信息。

    目前,LDP技術(shù)已被廣泛應(yīng)用于集值型流式頻繁項(xiàng)集挖掘的Heavy Hitters估計(jì)、眾包模式下字符串邊緣頻率估計(jì)和聯(lián)合概率估計(jì)、針對(duì)智能設(shè)備的機(jī)器學(xué)習(xí)等領(lǐng)域。值得關(guān)注的是,2014年,谷歌工程師Erlingsson等人[12]將基于隨機(jī)應(yīng)答和BloomFilter的RAPPOR(Randomized Aggregatable Privacy-Preserving Ordinal Response)技術(shù)成功應(yīng)用于Google Chrome中,在本地通過差分隱私機(jī)制收集用戶數(shù)據(jù),首次揭開了LDP技術(shù)大規(guī)模應(yīng)用的面紗。隨后,F(xiàn)anti等人[2]提出加強(qiáng)版的RAPPOR,實(shí)現(xiàn)了數(shù)據(jù)字典未知情況下的本地學(xué)習(xí)多變量聯(lián)合概率分布估計(jì)。另外,2016年蘋果全球開發(fā)者大會(huì)WWDC2016(WorldWide Developers Conference)[19]上,蘋果軟件工程高級(jí)副總裁Federighi在Keynote中宣布IOS10的QuickType輸入法、emoji建議、spotlight全局搜索和備忘錄關(guān)鍵詞標(biāo)記,將采用“差分隱私保護(hù)技術(shù)”在設(shè)備終端本地收集用戶數(shù)據(jù),并將隱私數(shù)據(jù)分析限制在用戶設(shè)備上,并不會(huì)將數(shù)據(jù)上傳到蘋果服務(wù)器。隨后,2017年6月,圣何塞McEnery會(huì)議中心的蘋果開發(fā)者大會(huì)(WWDC2017)[20]發(fā)布了面向開發(fā)者的機(jī)器學(xué)習(xí)API——CoreML,繼續(xù)強(qiáng)調(diào)用戶數(shù)據(jù)隱私的重要性,保證機(jī)器學(xué)習(xí)的數(shù)據(jù)處理在個(gè)人設(shè)備上完成,也就是說,個(gè)人數(shù)據(jù)不必離開用戶設(shè)備,用戶信息將不被發(fā)送到云端,因而用戶也能更好地獲得隱私保護(hù)權(quán)益。

    因此,作為差分隱私研究的重要分支,LDP技術(shù)正在從理論研究走向大規(guī)模實(shí)際業(yè)界產(chǎn)品應(yīng)用,并逐漸成為差分隱私保護(hù)領(lǐng)域的一個(gè)研究熱點(diǎn)。近幾年來,LDP技術(shù)及其在各領(lǐng)域研究的結(jié)合使得大量新的成果不斷涌現(xiàn)。本文在總結(jié)已有研究成果的基礎(chǔ)上,對(duì)LDP理論發(fā)展及其在數(shù)據(jù)收集與數(shù)據(jù)分析領(lǐng)域的應(yīng)用進(jìn)行綜述,希望能夠?yàn)樵擃I(lǐng)域的研究者提供有價(jià)值的參考信息。

    2 預(yù)備知識(shí)

    2.1 差分隱私定義下的數(shù)據(jù)模型

    差分隱私是不依賴于攻擊者背景知識(shí)的具有嚴(yán)格數(shù)學(xué)理論支撐的隱私定義,結(jié)合其應(yīng)用場(chǎng)景及針對(duì)數(shù)據(jù)處理和收集方式的不同,主要存在兩種數(shù)據(jù)分布模型:集中式模型,又稱為可信管理者模型(Trusted Curator)[3]和本地模型(Local Model)[1],如圖1所示。

    Figure 1 Data model in differential privacy圖1 差分隱私定義下的數(shù)據(jù)模型

    傳統(tǒng)的集中式模型基于可信第三方,用戶終端與數(shù)據(jù)收集者被視為一個(gè)數(shù)據(jù)收集與分析的整體,而數(shù)據(jù)服務(wù)器(云端)直接存儲(chǔ)未處理的原始用戶隱私數(shù)據(jù),經(jīng)過隱私處理(如加噪)等方式后統(tǒng)一對(duì)外發(fā)布。同時(shí),集中式模型下又可以分為交互式和非交互式框架,目前,針對(duì)集中式差分隱私保護(hù)模型已有大量的研究成果[13,17,21 - 24]。Roth等人[21]提出了交互式數(shù)據(jù)發(fā)布的中位數(shù)機(jī)制(Median),能夠在相同預(yù)算下提供更多數(shù)量的查詢。Xu等人[22]提出了一種基于k-d樹的直方圖發(fā)布算法DPCube,當(dāng)參數(shù)(頻數(shù)分布緊密度閾值、空間分割次數(shù))的取值適當(dāng)時(shí),DPCube算法在查詢數(shù)量和查詢誤差等方面具有很好的性能。此外,Engel等人[23]提出了小波變換方法(Privelet),Hay等人[24]提出了層次查詢方法,然而,這些針對(duì)差分隱私的數(shù)據(jù)發(fā)布和分析技術(shù)都基于可信管理者模型數(shù)據(jù)分布模型,集中式數(shù)據(jù)管理不可避免地面臨著巨大的隱私安全泄露風(fēng)險(xiǎn),嚴(yán)重制約著隱私保護(hù)技術(shù)的發(fā)展。

    在眾包模式下的分布式本地模型中,數(shù)據(jù)收集者(Data Collector)不可信任,數(shù)據(jù)服務(wù)器(云端)只能收到用戶加噪的數(shù)據(jù),也就是說,數(shù)據(jù)收集者根本不可能收集到原始數(shù)據(jù)。其中,用戶在向數(shù)據(jù)收集者發(fā)送個(gè)人數(shù)據(jù)前,先在本地加入滿足差分隱私的噪聲擾動(dòng),最后數(shù)據(jù)收集者根據(jù)收集到的噪聲數(shù)據(jù),從統(tǒng)計(jì)學(xué)的角度近似估計(jì)出用戶群體的統(tǒng)計(jì)特性,而不是針對(duì)具體用戶個(gè)體進(jìn)行統(tǒng)計(jì)特性推斷。其中,每個(gè)用戶只與數(shù)據(jù)收集者分享原始數(shù)據(jù)的加噪版本,由差分隱私保護(hù)的原理容易證明,無論本地隱私保護(hù)機(jī)制的加噪輸出如何,都不能確定性地分析出具體的某一條記錄來自于哪個(gè)用戶個(gè)體,這既保證了群體統(tǒng)計(jì)信息的相對(duì)準(zhǔn)確性,又保護(hù)了個(gè)人精確的原始數(shù)據(jù),從而解決了用戶隱私數(shù)據(jù)被不可信第三方外包管理的癥結(jié)。

    目前,針對(duì)本地模型的隱私保護(hù)算法研究不斷涌現(xiàn),文獻(xiàn)[2]和文獻(xiàn)[12]基于隨機(jī)響應(yīng)和BloomFilter,實(shí)現(xiàn)了用戶字符串的統(tǒng)計(jì)信息的收集和多次數(shù)據(jù)收集的長(zhǎng)效隱私保護(hù)。文獻(xiàn)[3]結(jié)合本地隱私保護(hù)和集中式數(shù)據(jù)模式,提出具有高可用性和隱私保護(hù)性的混合模型BLENDER。文獻(xiàn)[1]從生成式對(duì)抗神經(jīng)網(wǎng)絡(luò)的角度,結(jié)合差分隱私保護(hù)機(jī)制產(chǎn)生內(nèi)部攻擊數(shù)據(jù),對(duì)協(xié)同式深度學(xué)習(xí)的安全性提出了挑戰(zhàn)。文獻(xiàn)[25]針對(duì)三星的智能移動(dòng)終端的隱私數(shù)據(jù)收集問題,利用本地差分隱私保護(hù)機(jī)制構(gòu)建了準(zhǔn)確高效的Harmony系統(tǒng),實(shí)現(xiàn)了支持LDP的統(tǒng)計(jì)分析與機(jī)器學(xué)習(xí)功能。綜上所述,基于本地模型的最新研究成果涉及多個(gè)新興領(lǐng)域,無論是基于統(tǒng)計(jì)分析的理論研究[18,26,27]還是產(chǎn)品實(shí)現(xiàn),都將LDP的研究推向一個(gè)前所未有的高度。

    2.2 本地差分隱私保護(hù)

    LDP技術(shù)是解決基于非可信第三方隱私數(shù)據(jù)收集的方法,其主要思想是保證收集者:(1)不能收集或擁有任何個(gè)人的精確信息;(2)可以推斷出用戶群體的泛化統(tǒng)計(jì)信息。具體來說,用戶在本地通過差分隱私技術(shù)來置亂原始數(shù)據(jù),然后再把加噪數(shù)據(jù)發(fā)送給收集者。這樣,LDP既保護(hù)了用戶隱私,也避免了收集者面臨的隱私數(shù)據(jù)治理的問題。本節(jié)將介紹差分隱私保護(hù)模型的兩種形式化定義及定理。

    定義1((ε,δ)-DP)[13]隨機(jī)算法A滿足(ε,δ)-DP,當(dāng)且僅當(dāng)所有鄰接數(shù)據(jù)庫(kù)D和D′只相差一條用戶記錄,對(duì)于算法A所有可能的輸出R?Range(A)滿足如下不等式:

    Pr(A(D)∈R)≤eεPr(A(D′)∈R)+δ

    (1)

    其中,ε為隱私預(yù)算,用來調(diào)節(jié)算法A輸出結(jié)果的隱私保護(hù)程度,適用于集中式差分隱私模型和本地差分隱私模型。

    定義2((ε,δ)-LDP)[18]隨機(jī)算法A滿足(ε,δ)-LDP,當(dāng)且僅當(dāng)所有用戶端數(shù)據(jù)對(duì)x1和x2,對(duì)于算法A所有可能的輸出R?Range(A)滿足不等式:

    Pr(A(x1)∈R)≤eεPr(A(x2)∈R)+δ

    (2)

    當(dāng)δ=0時(shí),式(2)成為ε-LDP。直觀地說,不管用戶端數(shù)據(jù)的改變量,數(shù)據(jù)收集者關(guān)于接收到用戶發(fā)送數(shù)據(jù)的背景知識(shí)改變不大。

    兩種差分隱私保護(hù)模型的主要區(qū)別如表1所示,二者最重要的差別在于加入噪聲擾動(dòng)的時(shí)機(jī)不同。在本地模型中,數(shù)據(jù)在發(fā)送給收集者之前進(jìn)行隱私擾動(dòng),而集中式模型先進(jìn)行原始數(shù)據(jù)收集,后進(jìn)行隱私處理。另外,在本地模型中,D代表一個(gè)用戶的數(shù)據(jù),D′代表同一用戶依概率改變后的數(shù)據(jù)。

    Table 1 Difference of the two differential privacy models表1 兩種差分隱私模型的差異

    而集中式模型的D代表所有用戶的數(shù)據(jù),D′代表除去有數(shù)據(jù)變化用戶的所有用戶數(shù)據(jù)。

    在針對(duì)隱私數(shù)據(jù)分析的本地模型中,每個(gè)本地用戶用隨機(jī)器Qi擾亂個(gè)人數(shù)據(jù)vi得到zi,數(shù)據(jù)收集者將其匯總得到s,最后進(jìn)行數(shù)據(jù)分析。本地模型下的數(shù)據(jù)分析流程如圖2所示。

    Figure 2 Analysis process under local model圖2 本地模型下的數(shù)據(jù)分析流程

    差分隱私的序列組合特性是最常用的隱私預(yù)算ε分配策略(并行策略參見文獻(xiàn)[15])。

    定理1(Laplace機(jī)制)[17]函數(shù)f:D→Rd,敏感度為Δf,隨機(jī)算法A(D)=f(D)+Y滿足ε-DP,其中Y~Lap(Δf/ε)為隨機(jī)噪聲。

    Laplace機(jī)制經(jīng)常被用于本地模型中,常用于對(duì)數(shù)值型結(jié)果的隱私保護(hù)(指數(shù)機(jī)制、幾何機(jī)制參見文獻(xiàn)[15,16])。

    2.3 隨機(jī)應(yīng)答

    隨機(jī)應(yīng)答RR(Randomized Response)[28,29]是一種被用來保護(hù)敏感話題調(diào)查參與者隱私的技術(shù),同時(shí)目前主流的本地差分隱私保護(hù)機(jī)制都是基于隨機(jī)應(yīng)答策略的。具體應(yīng)用場(chǎng)景為:每個(gè)人不是屬于組A就是組B,問題是在不能確定具體個(gè)人屬于哪組的前提下,估計(jì)組A中人數(shù)的比例。隨機(jī)應(yīng)答給出的解決方案:隨機(jī)選取n個(gè)人,隨機(jī)設(shè)備(可以是拋硬幣、摸球模型)以概率p指向A,以(1-p)指向B。在每輪調(diào)查中,受訪者只需回答設(shè)備指向(調(diào)查者未知)的組別是否與其真正的組別一致(Yes或No),這樣便可以得到組A人數(shù)π的最大似然估計(jì)。其中,P(Xi=1)=πp+(1-π)(1-p),P(Xi=0)=(1-π)p+π(1-p),令n1、n-n1分別記為回答Yes和No的人數(shù),則似然估計(jì)為L(zhǎng)=[πp+(1-π)(1-p)]n1[(1-π)p+π(1-p)]n-n1。易得,當(dāng)p≠1/2時(shí),π的最大似然估計(jì)為:

    通過RR技術(shù),每個(gè)參與者都可以否認(rèn)“Yes”,因?yàn)檫@個(gè)結(jié)果基于設(shè)備的概率性,這樣實(shí)現(xiàn)了針對(duì)個(gè)體的隱私保護(hù)。作為一種加強(qiáng)版本,參與者可以進(jìn)行二次隨機(jī)應(yīng)答。若隨機(jī)設(shè)備采用拋硬幣方式實(shí)現(xiàn),“Yes”的估計(jì)為2(Y-0.25),其中Y為“Yes”應(yīng)答比例。重要的是,RR機(jī)制滿足差分隱私機(jī)制,不依賴于攻擊者的先驗(yàn)知識(shí),可以在數(shù)據(jù)收集中保護(hù)任一參與者的隱私,參與者可以擁有ε=ln(0.75/(1-0.75))=ln (3) 的隱私保護(hù)水平[2,12]。

    LDP模型最早由RR技術(shù)實(shí)現(xiàn),并應(yīng)用于Google和Apple公司各自的產(chǎn)品中[2]?,F(xiàn)有基于RR技術(shù)的LDP機(jī)制在數(shù)據(jù)挖掘中具有一定的局限性,只適用于用戶數(shù)據(jù)類型為數(shù)值型或范圍型,而數(shù)據(jù)收集者的數(shù)據(jù)挖掘任務(wù)局限于基本統(tǒng)計(jì),如計(jì)數(shù)或求中位值等。但是,RR技術(shù)及其改進(jìn)模型在收集群體層面的統(tǒng)計(jì)數(shù)據(jù)而不泄露個(gè)體數(shù)據(jù)方面具有優(yōu)越性能,目前已成為新的研究熱點(diǎn)。

    3 主要研究方向

    目前針對(duì)LDP的研究方向主要涉及基于隨機(jī)應(yīng)答與BloomFilter的編解碼方式研究、針對(duì)流式頻繁項(xiàng)集挖掘Heavy Hitters挖掘和針對(duì)智能終端的收集與機(jī)器學(xué)習(xí)等。

    3.1 針對(duì)LDP的隨機(jī)應(yīng)答

    已經(jīng)應(yīng)用于Google的Chrome瀏覽器的RAPPOR[12]是最早支持本地差分隱私的數(shù)據(jù)收集和眾包數(shù)據(jù)統(tǒng)計(jì)的通用技術(shù),采用隨機(jī)應(yīng)答策略和BloomFilter保證在研究用戶群體數(shù)據(jù)時(shí)不能窺探到個(gè)體的信息,實(shí)現(xiàn)了針對(duì)客戶端群體的類別、頻率、直方圖和字符串類型統(tǒng)計(jì)數(shù)據(jù)的隱私保護(hù)分析。RAPPOR應(yīng)答被定義為比特位字符串,每一位都是對(duì)應(yīng)用戶端特性報(bào)告的邏輯謂詞隨機(jī)應(yīng)答,用來收集用戶群體的數(shù)值和序數(shù)值的統(tǒng)計(jì),可以提供ln (3) 的差分隱私保護(hù)。

    算法1用戶端的RAPPOR算法

    輸入:用戶數(shù)據(jù)X,參數(shù)k(串長(zhǎng)度),h(Hash個(gè)數(shù)),概率參數(shù)f、p、q。

    輸出:數(shù)據(jù)報(bào)告s。

    (1)信號(hào)處理。用h個(gè)哈希函數(shù)將X映射到大小為k的BloomFilterB上。

    (2)永久隨機(jī)響應(yīng)(PRR)。每個(gè)X與BloomFilterB中的i生成二進(jìn)制報(bào)告B′。

    (3)即時(shí)隨機(jī)響應(yīng)(IRR)。分配一個(gè)大小為k的比特串s,初始化為0,依照概率參數(shù)設(shè)置s中的比特i。

    (4)報(bào)文。把收集的報(bào)告s發(fā)送到服務(wù)器。

    在算法1中,RAPPOR采用兩個(gè)滿足差分隱私的機(jī)制:永久和即時(shí)的隨機(jī)應(yīng)答,不僅可以單獨(dú)調(diào)節(jié)隱私保護(hù)水平,而且BloomFilter可以增加額外的不確定性,不僅壓縮了報(bào)文大小,更增加了攻擊者的攻擊難度。如圖3所示,用戶數(shù)據(jù)為X=“Male”,BloomFilterB大小為k=8,哈希函數(shù)個(gè)數(shù)h=3,BloomFilterB產(chǎn)生永久隨機(jī)響應(yīng)B′,每次數(shù)據(jù)收集(如每天),數(shù)據(jù)收集者得到即時(shí)隨機(jī)響應(yīng)X′。由差分隱私保證,最厲害的攻擊者最終只能收集到X′,不能推理到X。因?yàn)锽loomFilter中多個(gè)值映射為一個(gè)比特位,使針對(duì)用戶個(gè)人的攻擊更難實(shí)現(xiàn)。

    Figure 3 Life-cycle of the RAPPOR圖3 RAPPOR報(bào)文的生命周期

    RAPPOR在解碼過程中結(jié)合成熟的假設(shè)檢驗(yàn)、最小二乘求解和LASSO(Least Absolute Shrinkage and Selection Operator)回歸[30]實(shí)現(xiàn)了針對(duì)字符串抽樣群體頻率的高可用解碼框架。然而,RAPPOR的兩個(gè)假設(shè)經(jīng)常限制其實(shí)際應(yīng)用:(1)使用RAPPOR的數(shù)據(jù)收集者只能孤立地了解單一變量的分布。實(shí)際上,研究多個(gè)變量之間的關(guān)聯(lián)是更有意義的,比如,使用瀏覽器分析多個(gè)不相干的主頁瀏覽記錄或搜索URL與惡意軟件的安裝相關(guān)性關(guān)系。(2)數(shù)據(jù)收集者必須事先知道潛在字符串字典、安裝軟件的報(bào)告、名稱、hash值,然而這些是不可能作為先驗(yàn)知識(shí)的。針對(duì)以上問題,對(duì)未知分布多變量關(guān)聯(lián)分析和學(xué)習(xí)未知頻率分布的用戶端字符串可以作為解決方案,同時(shí),構(gòu)建候選字符串字典并應(yīng)對(duì)大規(guī)模數(shù)據(jù)集的增加依然是制約算法效能的瓶頸,算法的并行化優(yōu)化和分布式集群擴(kuò)展可以作為一個(gè)有意義的研究方向。

    3.2 基于LDP的流式頻繁項(xiàng)集挖掘

    頻繁項(xiàng)集挖掘是數(shù)據(jù)挖掘領(lǐng)域的一項(xiàng)重要技術(shù),可用于關(guān)聯(lián)規(guī)則挖掘、用戶行為預(yù)測(cè)以及相關(guān)性分析。而流式頻繁項(xiàng)集挖掘主要解決top-k頻繁項(xiàng)集任務(wù),現(xiàn)有支持隱私保護(hù)的方案中,大量的通信消耗、隱私預(yù)算的損耗與可用性的平衡一直是基于LDP的流式頻繁項(xiàng)集挖掘難點(diǎn)。針對(duì)集值數(shù)據(jù)(Set-Valued Data)上的流式頻繁項(xiàng)集挖掘(Heavy Hitter Mining)任務(wù),卡塔爾大學(xué)的于挺教授團(tuán)隊(duì)[31]在RAPPOR機(jī)制和Succinct Histgram的基礎(chǔ)上,提出的LDPMiner方法[4]將挖掘任務(wù)分成兩個(gè)子處理過程,如圖4所示。首先,Sampling SH算法完成對(duì)流式頻繁項(xiàng)的主成分識(shí)別工作,從噪聲數(shù)據(jù)中初步確定流式頻繁項(xiàng)的選值范圍,然后Sampling RAPPOR算法對(duì)前一過程的結(jié)果進(jìn)行頻數(shù)估計(jì)上的調(diào)優(yōu)處理,得到相比單一處理過程更為精確的流式頻繁項(xiàng)結(jié)果。

    Figure 4 Framework of the LDPMiner圖4 LDPMiner的兩階段框架

    3.3 其他成果

    John等人[18]在2013年首先提出了Local Differential Privacy(1965年Warner提出的Random Response更早[28])。而蘋果的差分隱私技術(shù)著眼于整體又保護(hù)個(gè)體,是唯一一家將Differential Privacy作為標(biāo)準(zhǔn)大規(guī)模部署的公司,但不像Google的RAPPOR,其技術(shù)一直未開源。蘋果在WWDC2016、WWDC2017上倡導(dǎo)的Differetial Privacy和No User Profiling主要涉及三方面[19,20]:

    (1)局部抽樣:以某一頻率局部采集一部分用戶的數(shù)據(jù),而不是收集用戶的整體數(shù)據(jù);

    (2)Hash加密:用BloomFilter將用戶數(shù)據(jù)做Hash運(yùn)算,實(shí)現(xiàn)在保護(hù)用戶隱私的前提下,得到用戶是否使用某些固定表達(dá)的特征;

    (3)噪聲擾動(dòng):在收集用戶數(shù)據(jù)前,先加入隨機(jī)噪聲,只要被注入的噪音抽樣是正態(tài)分布的,那么整體來看,這些噪音最終將相互抵消。

    這也給研究人員提供了避免在全局中暴露采樣信息的思路:無需建立User Profile,Group Profile的精度就足夠,只要數(shù)據(jù)量充足,即使只有加噪數(shù)據(jù),依然可以獲得群體趨勢(shì)的統(tǒng)計(jì)量??傊?,相比于效率低的傳統(tǒng)密碼學(xué)技術(shù),蘋果、谷歌等公司不斷對(duì)本地差分隱私技術(shù)的商用,給我們對(duì)LDP技術(shù)的研究帶來很大的動(dòng)力,也希望蘋果公司采用的相關(guān)技術(shù)細(xì)節(jié)可以早日開源,進(jìn)一步推動(dòng)LDP理論研究和實(shí)際應(yīng)用。

    本地差分隱私在數(shù)據(jù)挖掘中的應(yīng)用研究與差分隱私的理論發(fā)展密切相關(guān)。對(duì)基于LDP的主流算法的總結(jié)如表2所示。

    Table 2 Comparison among different LDP models表2 主流LDP算法的比較

    4 LDP的理論分析

    縱觀現(xiàn)有文獻(xiàn)的研究,LDP技術(shù)差分隱私理論分析主要涉及統(tǒng)計(jì)分析理論、差分隱私證明等。LDP的差分隱私證明是嚴(yán)格的,尤其基于隨機(jī)響應(yīng)的本地隱私差分保護(hù)研究很廣泛。例如,可證明RAPPOR滿足差分隱私的定義。其中,永久隨機(jī)響應(yīng)(PRR)保證了來自真值的加噪值保護(hù)隱私。

    證明S=s1,…,sk是RAPPOR產(chǎn)生的隨機(jī)報(bào)告,在已知用戶數(shù)據(jù)V的條件下,觀測(cè)任意S的概率,假設(shè)永久隨機(jī)響應(yīng)B′是已知的。

    P(S=s|V=v)=

    P(S=s|B,B′,v)·P(B′|B,v)·P(B|v)=

    P(S=s|B′)·P(B′|B)·P(B|v)=

    P(S=s|B′)·P(B′|B)

    對(duì)于P(B′|B)相關(guān)概率如下:

    不失一般性,BloomFilter的比特位1,…,h,設(shè)置為,b*={b1=1,…,bh=1,bh+1=0,…,bk=0},

    (1)

    對(duì)于N個(gè)用戶報(bào)文,差分隱私考慮輸入只差一個(gè)記錄j(報(bào)告集D1和D2只差一個(gè)報(bào)告Sj),其他的在比值中約掉。

    為第n次數(shù)據(jù)收集,計(jì)算εn需要額外假設(shè)攻擊在從B′獲得信息的效能。N越大,ε∞越小。然而,基于隨機(jī)響應(yīng)的差分隱私理論分析依然處于起步階段,更高級(jí)的數(shù)理統(tǒng)計(jì)分析技術(shù)(如多隨機(jī)變量相關(guān)性分析等)的應(yīng)用將豐富本地差分隱私的理論研究。

    5 結(jié)束語

    隨著眾包模式的興起與大數(shù)據(jù)分析產(chǎn)業(yè)的推動(dòng),本地差分隱私近年來的研究在理論上不斷發(fā)展和完善,并在統(tǒng)計(jì)學(xué)、機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘、社交網(wǎng)絡(luò)等領(lǐng)域得到了初步應(yīng)用。本文介紹了本地差分隱私保護(hù)的基礎(chǔ)理論,并著重介紹了主流LDP技術(shù)的數(shù)據(jù)收集與數(shù)據(jù)分析方法,最后從理論推導(dǎo)的角度對(duì)LDP技術(shù)進(jìn)行分析。雖然LDP技術(shù)的研究和發(fā)展都較傳統(tǒng)差分隱私起步晚,仍是一個(gè)相對(duì)年輕的研究領(lǐng)域,但近年來其在互聯(lián)網(wǎng)領(lǐng)域的大規(guī)模應(yīng)用給學(xué)界和產(chǎn)業(yè)界都帶來強(qiáng)大動(dòng)力。對(duì)于本地差分隱私保護(hù),在理論和應(yīng)用上都還存在一些難點(diǎn)以及新的方向需要進(jìn)一步深入研究,包括:

    (1)基于LDP的眾包機(jī)器學(xué)習(xí)。

    LDP技術(shù)源自于眾包模式,在支持用戶隱私保護(hù)的數(shù)據(jù)收集、支持隱私保護(hù)的機(jī)器學(xué)習(xí)、統(tǒng)計(jì)分析等領(lǐng)域具有很大的研究前景。國(guó)內(nèi)南京大學(xué)網(wǎng)絡(luò)合作與安全研究中心COSEC(Network Cooperation and Security Research Center)團(tuán)隊(duì)在抗大數(shù)據(jù)分析的隱私保護(hù)方法的研究中,提出的一種適用于各種移動(dòng)感知眾包任務(wù)的交易平臺(tái)便是一個(gè)很好的探索。然而,分布式條件下的數(shù)據(jù)同步與集中統(tǒng)計(jì)分析是一個(gè)不容忽視的技術(shù)難點(diǎn)。

    (2)抵抗新型攻擊的能力方面。

    文獻(xiàn)[1]中提出的具有隱私保護(hù)數(shù)據(jù)生成能力的生成式對(duì)抗網(wǎng)絡(luò)GAN(Generative Adversarial Networks),可以針對(duì)該網(wǎng)絡(luò)模型欺騙眾包模式下的其他同等用戶,這種新型攻擊方式需要研究者引起重視。因此,完善本地隱私保護(hù)的理論根基,理清隱私保護(hù)與攻擊就是矛和盾的關(guān)系,才能不斷完善和提高,使LDP技術(shù)提供最可靠的用戶隱私保護(hù)支持。

    (3)差分隱私下的大數(shù)據(jù)分析。

    隨著大數(shù)據(jù)技術(shù)的發(fā)展,越來越多的應(yīng)用涉及到大數(shù)據(jù),社交網(wǎng)絡(luò)、微博、醫(yī)療信息、生命科學(xué)以及定位系統(tǒng)服務(wù)等。利用Hadoop、Spark、Storm等大數(shù)據(jù)分析平臺(tái),實(shí)現(xiàn)支持差分隱私的數(shù)據(jù)挖掘和分析,尤其是基于RAPPOR技術(shù)的本地隱私保護(hù)算法在大規(guī)模數(shù)據(jù)字典的構(gòu)建與計(jì)算效能間的優(yōu)化亟待解決。

    總之,本地差分隱私保護(hù)是目前信息安全領(lǐng)域的研究熱點(diǎn)之一,也取得了豐富的研究成果。本文從理論和應(yīng)用的角度對(duì)本地差分隱私保護(hù)目前的研究狀況進(jìn)行綜述,希望能夠?yàn)樵擃I(lǐng)域的研究者提供有價(jià)值的參考信息。

    [1] Hitaj B, Ateniese G, Pérez-Cruz F. Deep models under the GAN:Information leakage from collaborative deep learning[C]∥Proc of the 2017 ACM SIGSAC Conference on Computer and Communications Security, 2017:603-618.

    [3] Avent B, Korolova A, Zeber D, et al. Blender: Enabling local search with a hybrid differential privacy model[C]∥Proc of the 26th USENIX Security Symposium, 2017: 747-764.

    [4] Qin Z, Yang Y, Yu T, et al. Heavy hitter estimation over set-valued data with local differential privacy[C]∥Proc of the 2016 ACM SIGSAC Conference on Computer and Communications Security, 2016:192-203.

    [5] Dalenius T.Towards a methodology for statistical disclosure control[J].Statistic Tidskrift,1977,15(2):429-444.

    [6] Sweeney L.k-anonymity:A model for protecting privacy[J].International Journal of Uncertainty,Fuzziness and Knowledge-Based Systems,2002,10(5):557-570.

    [7] Machanavajjhala A, Gehrke J, Kifer D, et al.l-diversity: Privacy beyondk-anonymity[C]∥ Proc of the 22nd International Conference onData Engineering, 2006: 24.

    [8] Li N, Li T, Venkatasubramanian S.t-closeness: Privacy beyondk-anonymity andl-diversity[C]∥Proc of IEEE 23rd International Conference on Data Engineering, 2007:106-115.

    [9] Wong R C W, Li J, Fu A W C, et al. (α,k)-anonymity: An enhancedk-anonymity model for privacy preserving data publishing[C]∥Proc of the 12th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 2006:754-759.

    [10] Xiao X, Tao Y. M-invariance:Towards privacy preserving re-publication of dynamic datasets[C]∥Proc of the 2007 ACM SIGMOD International Conference on Management of Data,2007:689-700.

    [11] Zhao Y, Du M, Le J, et al.A survey on privacy preserving approaches in data publishing[C]∥Proc of the 1st International Workshop on Database Technology and Applications,2009:128-131.

    [12] Erlingsson U, Pihur V, Korolova A. RAPPOR:Randomized aggregatable privacy-preserving ordinal response[C]∥Proc of CCS’14,2014:1054-1067.

    [13] Dwork C. A firm foundation for private dataanalysis[J].Communications of the ACM,2011,54(1):86-95.

    [14] Dwork C,Krishnaram K,Frank M,et.al.Our data,ourselves:Privacy via distributed noise generation[C]∥Proc of the 25th Annual International Conference on the Theory and Applications of Cryptographic Techniques (EUROCRYPT), 2006:486-503.

    [15] Dwork C,Frank M,Kobbi N.Calibrating noise to sensitivity in private data analysis[C]∥Proc of the 3rd Theory of Cryptography Conference (TCC),2006:265-284.

    [16] Dwork C, Moni N,Toniann P.Differential privacy under continual observation[C]∥Proc of the 42nd ACM Symposium on Theory of Computing (STOC),2010:715-724.

    [17] Dwork C,Moni N,Toniann P.Pan-private streaming algorithms[C]∥Proc of the 1st Symposium on Innovations in Computer Science (ICS),2010:66-80.

    [18] John C,Michael I,Martin J.Local privacy and statistical minimax rates[C]∥Proc of the IEEE 54th Annual Symposium on Foundations of Computer Science (FOCS),2013:429-438.

    [19] Novac O,Novac M,Gordan C,et al.Comparative study of Google Android,Apple iOS and Microsoft Windows Phone mobile operating systems[C]∥Proc of International Conference on Engineering of Modern Electric Systems, 2017:154-159.

    [20] Slva M,Ramos T,Holanda M.Geographic information system with public participat on IoS system[C]∥Proc of the 12th Iberian Conference Information Systems and Technologies,2017:1-5.

    [21] Dwork C,Aaron R.The algorithmic foundations of differential privacy[J].Foundations and Trends in Theoretical Computer Science,2014,9(3-4):211-407.

    [22] Xu J. Differentially private histogram publication[J].The VLDB Journal,2013,22(6):797-822.

    [23] Engel D, Eibl G. Wavelet-based multiresolution smart meter privacy[J].IEEE Transactions on Smart Grid,2017,8(4):1710-1721.

    [24] Hay M, Machanavajjhala A, Miklau G, et al. Principled evaluation of differentially private algorithms using dpbench[C]∥Proc of the 2016 International Conference on Management of Data, 2016:139-154.

    [25] Nguyên T T, Xiao X, Yang Y, et al.Collecting and analyzing data from smart device users with local differential privacy[J].arXiv preprint arXiv:1606.05053,2016.

    [26] KairouzP,Bonawitz K,Ramage D.Discrete distribution estimation under local privacy[C]∥Proc of International Conference on Machine Learning (ICML),2016:2436-2444.

    [27] Peter K,Sewoong O,Pramod V.Extremal mechanisms for local differential privacy[J].ar Xivpreprint ar Xiv:1407.1338,2014.

    [28] Warner S L. Randomized response:A survey technique for eliminating evasive answer bias[J].Journal of the American Statistical Association,1965,60(309):63-69.

    [29] Wikipedia.Randomized response[EB/OL].[2017-06-13].http://en.wikipedia.org/wiki/Randomized_response.

    [30] Robert T.Regression shrinkage and selectionvia the Lasso[J].Journal of the Royal Statistical Society,1994,Series B,58:267-288.

    [31] Bassily R,Smith A.Local,private,efficient protocols for succinct histograms[C]∥Proc of the 47th ACM Symposium on Theory of Computing (STOC),2015:127-135.

    猜你喜歡
    收集者差分算法
    “收集者”、“拼接術(shù)”與中間狀態(tài)的人生
    數(shù)列與差分
    雨水收集者
    花城(2020年3期)2020-07-30 09:56:31
    基于MapReduce的改進(jìn)Eclat算法
    Travellng thg World Full—time for Rree
    進(jìn)位加法的兩種算法
    凡你目光所及之處就是美的
    哲思(2017年7期)2017-10-10 01:56:11
    網(wǎng)絡(luò)運(yùn)營(yíng)者不得泄露個(gè)人信息
    一種改進(jìn)的整周模糊度去相關(guān)算法
    基于差分隱私的大數(shù)據(jù)隱私保護(hù)
    丰满乱子伦码专区| 免费不卡的大黄色大毛片视频在线观看| 国产精品.久久久| 女人被躁到高潮嗷嗷叫费观| 日本爱情动作片www.在线观看| 国产成人免费观看mmmm| 亚洲一码二码三码区别大吗| 欧美在线黄色| 亚洲一区中文字幕在线| 国产精品女同一区二区软件| 美女主播在线视频| 99国产综合亚洲精品| 国产亚洲精品第一综合不卡| 色婷婷久久久亚洲欧美| 中文精品一卡2卡3卡4更新| 伊人亚洲综合成人网| 亚洲久久久国产精品| 高清在线视频一区二区三区| 国产精品熟女久久久久浪| 午夜激情久久久久久久| 一级片免费观看大全| 国产一区二区三区综合在线观看| 国产乱人偷精品视频| 亚洲国产欧美日韩在线播放| 亚洲精品国产av成人精品| 各种免费的搞黄视频| 国产黄色免费在线视频| 国产免费现黄频在线看| 精品一品国产午夜福利视频| 在线观看www视频免费| 国产免费一区二区三区四区乱码| 大码成人一级视频| 国产极品天堂在线| 女人久久www免费人成看片| 免费黄频网站在线观看国产| 免费在线观看视频国产中文字幕亚洲 | 丝袜喷水一区| 欧美国产精品va在线观看不卡| 国产精品三级大全| 中国三级夫妇交换| 国产国语露脸激情在线看| 18在线观看网站| 大陆偷拍与自拍| 欧美黄色片欧美黄色片| 欧美av亚洲av综合av国产av | 一二三四在线观看免费中文在| 一本大道久久a久久精品| 毛片一级片免费看久久久久| 午夜免费鲁丝| 欧美国产精品一级二级三级| 2018国产大陆天天弄谢| 欧美日韩亚洲国产一区二区在线观看 | 女的被弄到高潮叫床怎么办| 国产精品一二三区在线看| 免费日韩欧美在线观看| 美女福利国产在线| 多毛熟女@视频| 一本—道久久a久久精品蜜桃钙片| 日本vs欧美在线观看视频| 日本色播在线视频| 亚洲精品,欧美精品| 国产极品天堂在线| 日本-黄色视频高清免费观看| 国产男女超爽视频在线观看| 国产精品二区激情视频| 熟女av电影| 成年女人在线观看亚洲视频| 老女人水多毛片| 午夜精品国产一区二区电影| 久久精品夜色国产| 一本大道久久a久久精品| 午夜福利视频精品| 中国国产av一级| 久久人人爽av亚洲精品天堂| 国产片内射在线| 国产精品三级大全| 久久精品久久久久久噜噜老黄| 天天躁夜夜躁狠狠久久av| 交换朋友夫妻互换小说| 狠狠婷婷综合久久久久久88av| 90打野战视频偷拍视频| 亚洲精品美女久久久久99蜜臀 | av片东京热男人的天堂| 国产极品粉嫩免费观看在线| 亚洲精品,欧美精品| 伊人亚洲综合成人网| 国产成人精品久久二区二区91 | 女人被躁到高潮嗷嗷叫费观| av线在线观看网站| www.自偷自拍.com| 亚洲精品国产av蜜桃| 老汉色∧v一级毛片| 国产精品一二三区在线看| 国产精品一二三区在线看| 亚洲精品在线美女| 久久久精品区二区三区| 国产精品一二三区在线看| 欧美成人午夜精品| 国产黄色视频一区二区在线观看| 老司机亚洲免费影院| 久久午夜福利片| 国产免费一区二区三区四区乱码| 亚洲成人手机| 久久青草综合色| 久久精品国产综合久久久| 中文字幕精品免费在线观看视频| 色婷婷久久久亚洲欧美| 日本爱情动作片www.在线观看| 中国国产av一级| 两个人看的免费小视频| 综合色丁香网| 制服人妻中文乱码| 国产精品 欧美亚洲| 男女高潮啪啪啪动态图| 久久ye,这里只有精品| 国产精品欧美亚洲77777| 黄色毛片三级朝国网站| 一区二区三区四区激情视频| 国产精品女同一区二区软件| 精品午夜福利在线看| av免费观看日本| 国产精品 国内视频| av网站免费在线观看视频| 狠狠精品人妻久久久久久综合| 一级黄片播放器| 亚洲一区中文字幕在线| 色婷婷久久久亚洲欧美| 欧美 亚洲 国产 日韩一| 日韩免费高清中文字幕av| 日韩欧美精品免费久久| 国产免费一区二区三区四区乱码| 亚洲欧美一区二区三区久久| 大片免费播放器 马上看| 天堂8中文在线网| 9色porny在线观看| 成人漫画全彩无遮挡| 91久久精品国产一区二区三区| 黑人猛操日本美女一级片| 国产男人的电影天堂91| 最近最新中文字幕免费大全7| 国产麻豆69| 人人妻人人澡人人看| 亚洲伊人久久精品综合| 日韩伦理黄色片| 中文字幕人妻熟女乱码| 国产国语露脸激情在线看| 又大又黄又爽视频免费| 亚洲色图 男人天堂 中文字幕| 如日韩欧美国产精品一区二区三区| 亚洲第一区二区三区不卡| 国产男女超爽视频在线观看| 亚洲欧美一区二区三区黑人 | 777米奇影视久久| 久久久久国产一级毛片高清牌| 桃花免费在线播放| xxx大片免费视频| av片东京热男人的天堂| 亚洲精品乱久久久久久| 亚洲成国产人片在线观看| 亚洲成国产人片在线观看| 一本—道久久a久久精品蜜桃钙片| 日韩大片免费观看网站| 亚洲综合色网址| 日韩大片免费观看网站| 国产精品亚洲av一区麻豆 | 91午夜精品亚洲一区二区三区| 伊人亚洲综合成人网| 1024视频免费在线观看| 在线观看免费日韩欧美大片| 99香蕉大伊视频| 日韩伦理黄色片| 亚洲国产av影院在线观看| 精品国产一区二区久久| 最近最新中文字幕免费大全7| 色吧在线观看| 国产成人精品婷婷| 中文精品一卡2卡3卡4更新| 多毛熟女@视频| 青春草亚洲视频在线观看| 多毛熟女@视频| 中国国产av一级| av在线播放精品| 色播在线永久视频| 一本久久精品| 9热在线视频观看99| 国产黄色视频一区二区在线观看| av国产久精品久网站免费入址| 一级毛片我不卡| 亚洲四区av| 国产片特级美女逼逼视频| 午夜激情av网站| 妹子高潮喷水视频| 女人被躁到高潮嗷嗷叫费观| 国产在线一区二区三区精| av在线老鸭窝| 考比视频在线观看| 日韩,欧美,国产一区二区三区| 久久婷婷青草| 亚洲精品一二三| 欧美黄色片欧美黄色片| 捣出白浆h1v1| av有码第一页| 老司机影院毛片| 波野结衣二区三区在线| 成人亚洲欧美一区二区av| 久久99蜜桃精品久久| 日产精品乱码卡一卡2卡三| 欧美日韩精品成人综合77777| 菩萨蛮人人尽说江南好唐韦庄| 一本色道久久久久久精品综合| 欧美精品国产亚洲| 人人澡人人妻人| 色播在线永久视频| 国产老妇伦熟女老妇高清| 国产精品一二三区在线看| 欧美日韩亚洲高清精品| 欧美av亚洲av综合av国产av | 亚洲成人一二三区av| 新久久久久国产一级毛片| 秋霞伦理黄片| 亚洲精品美女久久久久99蜜臀 | 天堂俺去俺来也www色官网| 建设人人有责人人尽责人人享有的| 蜜桃国产av成人99| 美女午夜性视频免费| 日韩在线高清观看一区二区三区| 国产成人精品福利久久| 精品国产乱码久久久久久男人| 丝袜人妻中文字幕| 日日撸夜夜添| 国产免费视频播放在线视频| 黄色视频在线播放观看不卡| 自线自在国产av| 亚洲国产精品999| 交换朋友夫妻互换小说| 人人妻人人澡人人看| 国产精品欧美亚洲77777| 精品少妇内射三级| 精品少妇一区二区三区视频日本电影 | 色94色欧美一区二区| 男人操女人黄网站| 国产精品免费大片| 99九九在线精品视频| 国产精品国产三级国产专区5o| h视频一区二区三区| 精品国产一区二区三区久久久樱花| 大香蕉久久成人网| 丰满乱子伦码专区| 高清欧美精品videossex| av线在线观看网站| 久久av网站| 久久人妻熟女aⅴ| 人人妻人人澡人人看| 国产综合精华液| 国产精品熟女久久久久浪| 日韩制服丝袜自拍偷拍| 午夜福利一区二区在线看| 日本-黄色视频高清免费观看| 久久精品国产自在天天线| 美女xxoo啪啪120秒动态图| 在线 av 中文字幕| 精品99又大又爽又粗少妇毛片| a级片在线免费高清观看视频| 大话2 男鬼变身卡| 美女国产视频在线观看| av在线播放精品| 亚洲精品在线美女| 18禁国产床啪视频网站| 最近最新中文字幕大全免费视频 | 久久久久久人人人人人| 少妇被粗大的猛进出69影院| 最近最新中文字幕大全免费视频 | 女的被弄到高潮叫床怎么办| 午夜免费男女啪啪视频观看| 最新的欧美精品一区二区| 日韩大片免费观看网站| 久久97久久精品| 国产精品国产三级国产专区5o| 巨乳人妻的诱惑在线观看| 丝袜美腿诱惑在线| 色婷婷av一区二区三区视频| 中文字幕av电影在线播放| 三级国产精品片| 久久婷婷青草| 亚洲国产精品一区二区三区在线| 一级毛片 在线播放| 毛片一级片免费看久久久久| 性色av一级| 久久这里有精品视频免费| 天堂中文最新版在线下载| 女人精品久久久久毛片| 一二三四中文在线观看免费高清| 国产片特级美女逼逼视频| 伊人久久国产一区二区| 宅男免费午夜| 母亲3免费完整高清在线观看 | 亚洲欧洲精品一区二区精品久久久 | 国产又色又爽无遮挡免| 午夜福利在线观看免费完整高清在| 日本午夜av视频| 国产综合精华液| 欧美日韩亚洲高清精品| 欧美老熟妇乱子伦牲交| 制服丝袜香蕉在线| 亚洲av男天堂| 在线观看免费高清a一片| 国产一级毛片在线| 国产在线免费精品| 免费在线观看黄色视频的| 亚洲情色 制服丝袜| a 毛片基地| 亚洲国产毛片av蜜桃av| 精品国产露脸久久av麻豆| 七月丁香在线播放| 国产一区二区 视频在线| 少妇熟女欧美另类| 精品一品国产午夜福利视频| 母亲3免费完整高清在线观看 | 在现免费观看毛片| 国产免费又黄又爽又色| 精品国产一区二区三区久久久樱花| 最黄视频免费看| 国产av国产精品国产| 久久久久久久国产电影| videosex国产| 99久久中文字幕三级久久日本| 久久午夜福利片| 国产一区有黄有色的免费视频| 亚洲精品aⅴ在线观看| 色婷婷av一区二区三区视频| 中文字幕av电影在线播放| 中文字幕制服av| 欧美激情极品国产一区二区三区| 69精品国产乱码久久久| 91在线精品国自产拍蜜月| 哪个播放器可以免费观看大片| 日本猛色少妇xxxxx猛交久久| 国产精品久久久久久精品电影小说| 国产成人精品一,二区| 叶爱在线成人免费视频播放| 可以免费在线观看a视频的电影网站 | 成年美女黄网站色视频大全免费| 久久久国产一区二区| 欧美 亚洲 国产 日韩一| 考比视频在线观看| 一区二区三区精品91| 男女国产视频网站| 少妇 在线观看| 男女无遮挡免费网站观看| 久久久亚洲精品成人影院| 精品午夜福利在线看| 亚洲精品日本国产第一区| 日韩视频在线欧美| 亚洲一码二码三码区别大吗| 久久久国产一区二区| 下体分泌物呈黄色| 1024香蕉在线观看| 成人黄色视频免费在线看| 免费观看无遮挡的男女| 日韩制服丝袜自拍偷拍| 久久久国产精品麻豆| 成人国产av品久久久| 美女午夜性视频免费| 亚洲成色77777| 少妇被粗大猛烈的视频| av卡一久久| 美女午夜性视频免费| 久久精品亚洲av国产电影网| 日日摸夜夜添夜夜爱| 伊人久久大香线蕉亚洲五| 成人亚洲欧美一区二区av| 亚洲精品乱久久久久久| 水蜜桃什么品种好| 亚洲,欧美精品.| 日本av免费视频播放| 国产1区2区3区精品| av在线老鸭窝| 亚洲精品aⅴ在线观看| 激情五月婷婷亚洲| 天堂俺去俺来也www色官网| 人人妻人人爽人人添夜夜欢视频| 国产一区二区三区av在线| 午夜免费鲁丝| 伊人久久大香线蕉亚洲五| 国产av码专区亚洲av| 日韩中文字幕视频在线看片| 日韩 亚洲 欧美在线| 国产精品.久久久| 少妇的丰满在线观看| www日本在线高清视频| 久久久精品免费免费高清| av在线观看视频网站免费| 校园人妻丝袜中文字幕| 欧美成人精品欧美一级黄| 一级毛片黄色毛片免费观看视频| 激情五月婷婷亚洲| 亚洲国产成人一精品久久久| 精品国产露脸久久av麻豆| 欧美精品国产亚洲| 美女视频免费永久观看网站| 叶爱在线成人免费视频播放| 中国国产av一级| 乱人伦中国视频| 麻豆av在线久日| 国产成人免费无遮挡视频| 国产野战对白在线观看| 国产成人精品久久二区二区91 | 丝袜美腿诱惑在线| 欧美另类一区| 欧美亚洲日本最大视频资源| 熟女电影av网| 中国国产av一级| 极品少妇高潮喷水抽搐| 肉色欧美久久久久久久蜜桃| 成人影院久久| 丝瓜视频免费看黄片| 一级,二级,三级黄色视频| 91精品伊人久久大香线蕉| 国产又爽黄色视频| 中文欧美无线码| 免费在线观看视频国产中文字幕亚洲 | av国产久精品久网站免费入址| 精品国产一区二区三区四区第35| 欧美日韩视频精品一区| 2021少妇久久久久久久久久久| 午夜福利,免费看| 女人精品久久久久毛片| 水蜜桃什么品种好| 黄色配什么色好看| 国产片内射在线| 97在线人人人人妻| 日产精品乱码卡一卡2卡三| 好男人视频免费观看在线| 午夜免费观看性视频| 日本91视频免费播放| 宅男免费午夜| 男人操女人黄网站| 色婷婷久久久亚洲欧美| 国产探花极品一区二区| 亚洲av福利一区| 妹子高潮喷水视频| 午夜福利网站1000一区二区三区| 中文字幕av电影在线播放| 国产日韩欧美亚洲二区| 久久精品亚洲av国产电影网| 日韩免费高清中文字幕av| 久久久精品免费免费高清| 亚洲av成人精品一二三区| a 毛片基地| 国产白丝娇喘喷水9色精品| 免费av中文字幕在线| 国产爽快片一区二区三区| 永久免费av网站大全| 精品少妇久久久久久888优播| 欧美av亚洲av综合av国产av | 大香蕉久久网| 国产亚洲午夜精品一区二区久久| 国产一级毛片在线| 交换朋友夫妻互换小说| 亚洲色图综合在线观看| videos熟女内射| 国产精品偷伦视频观看了| 欧美人与性动交α欧美软件| 亚洲男人天堂网一区| 久久鲁丝午夜福利片| 中文精品一卡2卡3卡4更新| 精品国产超薄肉色丝袜足j| 精品国产乱码久久久久久男人| 中国国产av一级| videos熟女内射| 久久精品亚洲av国产电影网| 免费在线观看视频国产中文字幕亚洲 | 久久 成人 亚洲| 天天影视国产精品| 大香蕉久久成人网| 热99国产精品久久久久久7| 成年人免费黄色播放视频| 91久久精品国产一区二区三区| 国产亚洲av片在线观看秒播厂| 午夜av观看不卡| 一区二区三区乱码不卡18| 欧美变态另类bdsm刘玥| 极品人妻少妇av视频| 亚洲五月色婷婷综合| 老司机影院毛片| 9色porny在线观看| 一级爰片在线观看| 欧美精品一区二区免费开放| 免费在线观看视频国产中文字幕亚洲 | 欧美日韩av久久| 90打野战视频偷拍视频| 9色porny在线观看| 日韩视频在线欧美| 精品国产一区二区久久| 一边摸一边做爽爽视频免费| 精品国产露脸久久av麻豆| 少妇猛男粗大的猛烈进出视频| 久久久精品免费免费高清| 亚洲国产av新网站| 九色亚洲精品在线播放| videosex国产| 精品第一国产精品| 美女午夜性视频免费| 七月丁香在线播放| 另类精品久久| 亚洲欧美精品自产自拍| 欧美日韩国产mv在线观看视频| 久久久久精品人妻al黑| 青春草亚洲视频在线观看| 国产淫语在线视频| 成人国语在线视频| 天天躁夜夜躁狠狠躁躁| 91国产中文字幕| 色婷婷久久久亚洲欧美| 美女高潮到喷水免费观看| 亚洲av电影在线观看一区二区三区| 在线观看一区二区三区激情| 亚洲欧洲国产日韩| 国产精品久久久久久精品古装| 永久免费av网站大全| av电影中文网址| 亚洲中文av在线| 久久久久久久久免费视频了| 免费少妇av软件| 久久久久久伊人网av| 伊人久久大香线蕉亚洲五| 黄片无遮挡物在线观看| 九色亚洲精品在线播放| 最近最新中文字幕大全免费视频 | 在线精品无人区一区二区三| 国产精品免费大片| www.自偷自拍.com| 欧美日韩视频精品一区| 久久精品久久久久久久性| 91午夜精品亚洲一区二区三区| 欧美 亚洲 国产 日韩一| 精品国产一区二区三区久久久樱花| 午夜福利视频精品| 黄色一级大片看看| 日韩成人av中文字幕在线观看| 18禁国产床啪视频网站| 久久ye,这里只有精品| 欧美在线黄色| av免费在线看不卡| 中文字幕制服av| 国产黄频视频在线观看| 久久久久国产精品人妻一区二区| 纵有疾风起免费观看全集完整版| 精品久久久精品久久久| 久久久久精品人妻al黑| 中文字幕最新亚洲高清| h视频一区二区三区| 一级毛片 在线播放| 亚洲美女搞黄在线观看| 国产熟女午夜一区二区三区| 热re99久久精品国产66热6| 日产精品乱码卡一卡2卡三| 曰老女人黄片| 欧美精品人与动牲交sv欧美| 国产精品嫩草影院av在线观看| 香蕉丝袜av| 日韩欧美精品免费久久| 久久久久久久久久人人人人人人| 嫩草影院入口| 国产白丝娇喘喷水9色精品| 精品少妇久久久久久888优播| 亚洲精华国产精华液的使用体验| 国产激情久久老熟女| 男女无遮挡免费网站观看| 2018国产大陆天天弄谢| 日韩精品免费视频一区二区三区| 国产成人精品婷婷| 国产精品香港三级国产av潘金莲 | 久久久久久久国产电影| 中文字幕人妻熟女乱码| 久久久久久人人人人人| 国产极品粉嫩免费观看在线| 国产爽快片一区二区三区| 人人妻人人澡人人看| 黑人巨大精品欧美一区二区蜜桃| 亚洲欧洲国产日韩| 黑人巨大精品欧美一区二区蜜桃| 一区二区av电影网| 国产亚洲av片在线观看秒播厂| 亚洲一级一片aⅴ在线观看| 另类精品久久| 69精品国产乱码久久久| 18禁观看日本| 美女主播在线视频| 纯流量卡能插随身wifi吗| 久久久久精品久久久久真实原创| 久久人人97超碰香蕉20202| 又大又黄又爽视频免费| 熟妇人妻不卡中文字幕| 国产麻豆69| 乱人伦中国视频| 少妇的丰满在线观看| 久久精品熟女亚洲av麻豆精品| 国产精品欧美亚洲77777| 免费看不卡的av| 国产成人av激情在线播放| 在线天堂中文资源库| 丝袜美足系列| 日本免费在线观看一区| 久久久久网色| 麻豆av在线久日| 久久精品久久久久久久性| 最黄视频免费看| 新久久久久国产一级毛片| 国产亚洲午夜精品一区二区久久| 亚洲在久久综合| 婷婷色综合www| 日韩av在线免费看完整版不卡| 丝袜在线中文字幕| 亚洲av.av天堂|