حس‌گری جمعی سیار (Mobile CrowdSensing)، پارادایمی است که طی سالیان گذشته توسط نرم‌افزارهای کاربردی برای جمع‌آوری داده‌های کلان توسط دستگاه‌‌های موبایل پراکنده مورد استفاده قرار می‌گیرد. اما حریم خصوصی داده‌های کاربران و حساسیت ایشان، به صورت جدی تهدیدی برای گسترش این نرم‌افزارها به حساب می‌آید. حریم خصوصی تفاضلی به دلیل تعریف و ضمانت قوی که برای حریم خصوصی به همراه دارد به عنوانی یکی از راهکارهای مورد توجه در این حوزه مطرح شده است. اما مطالعات متعددی نشان داده است که استفاده از فرأیندهای مبتنی بر حریم خصوصی تفاضلی سنتی بر روی داده‌های هم‌بسته، می‌تواند منجر به نشت حریم خصوصی و داده‌های حساس شود.
نوشتار حاضر تاثیر هم‌بستگی داده‌های جمع‌أوری شده بر حریم خصوصی تفاضلی در سیستم‌های حس‌گری جمعی موبایل را مورد ارزیابی قرار داده و فرآیند ایجاد آشفتگی و اضافه کردن نویز را از دو منظر بررسی می‌کند:
در بخش اول، از دیدگاه محافظ داده (سرور مورد اعتماد) که مبتنی بر شبکه بیزین، روابط احتمالی میان داده‌های حساس را مدل کرده است. در این بخش، با استفاده از شبکه بیزین برای مدل کردن روابط احتمالی میان داده‌های حساس و ارائه یک فرآیند اضافه کردن نویز، موفق به کاهش حداقل نویز اضافه شده مبتنی بر لاپلاس در سیستم حریم خصوصی تفاضلی شده است. در نهایت فرآیند پیشنهادی بر روی سه مجموعه داده واقعی پیاده‌سازی شده و با دو روش پیشنهادی پیش از این مقایسه شده است. نتایج این مقایسه نشان می‌دهد که افزایش کارایی در روش پیشنهادی با کاهش میزان بودجه حریم خصوصی تفاضلی واضح‌تر بوده به گونه‌ای که بهبود ۳۰ درصدی نسبت به یکی از راهکارهای پیشین در بودجه برابر با ۰.۱ را نشان می‌دهد.
بخش دوم نیز از دیدگاه مهاجم و مبتنی بر مدل هم‌بستگی گاوسی برای توصیف هم‌بستگی داده، اهمیت گروهی که بیشترین هم‌بستگی در مجموعه داده را دارد برای محاسبه میزان نشت حریم خصوصی تفاضلی بیزین مورد ارزیابی قرار داده است. در این مقاله نشان داده شد که در صورتی که گروه با بیشترین هم‌بستگی در مجموعه داده تاثیری در نتیجه پرس و جوی آماری نداشته باشد، می‌توان از آن گروه صرف نظر کرده و در نتیجه با کاهش اندازه بیشترین گروه در مجموعه داده، میزان نویز اضافه شده به میزان قابل ملاحظه‌ای کاهش می‌یابد.
J. Chen, H. Ma, D. Zhao and L. Liu, “Correlated Differential Privacy Protection for Mobile Crowdsensing,” in IEEE Transactions on Big Data, vol. 7, no. 4, pp. 784-795, 1 Oct. 2021