实现差分隐私Laplace机制详解 机制详解 python实现差分隐私 今天小编就为大家分享一篇python实现差分隐私Laplace机制详解，具有很好的参考价值，希望对大家有所帮 助。一起跟随小编过来看看吧 Laplace分布定义： 分布定义： 下面先给出Laplace分布实现代码： 下面先给出 分布实现代码： import matplotlib.pyplot as plt import numpy as np def laplace_function(x,beta): result = (1/(2*beta)) * np.e**(-1*(np.abs(x)/beta)) return result #在-5到5之间等间隔的取10000个数 x = np.linspace(-5,5,10000) y1 = [laplace_function(x_,0.5) for x_ in x] y2 = [laplace_function(x_,1) for x_ in x] y3 = [laplace_function(x_,2) for x_ in x] plt.plot(x,y1,color='r',label='beta:0.5') plt.plot(x,y2,color='g',label='beta:1') plt.plot(x,y3,color='b',label='beta:2') plt.title("Laplace distribution") plt.legend() 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)。 import numpy as np def noisyCount(sensitivety,epsilon): beta = sensitivety/epsilon u1 = np.random.random() u2 = np.random.random() if u1 <= 0.5: n_value = -beta*np.log(1.-u2) else: n_value = beta*np.log(u2) print(n_value) return n_value def laplace_mech(data,sensitivety,epsilon): for i in range(len(data)): data[i] += noisyCount(sensitivety,epsilon) return data if __name__ =='__main__': x = [1.,1.,0.] sensitivety = 1 epsilon = 1 data = laplace_mech(x,sensitivety,epsilon) for j in data: print(j) 以上这篇python实现差分隐私Laplace机制详解就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多 支持我们。