统计发布场景下成员推断攻击的贝叶斯方法

研究者提出面向统计发布的贝叶斯成员推断攻击框架，将总体建模为贝叶斯网络以利用属性依赖结构。现有攻击大多只用边际信息建模总体，形式化分析多针对乘积分布总体；新框架基于贝叶斯决策，可纳入攻击者掌握的总体先验信息，动机来自美国人口普查局与国税局（IRS）等多方可能持有相似结构数据的场景。作者用概率编程语言 Roulette 实现了计算贝叶斯后验的攻击实例，证明其在两个属性强依赖的总体上等价于似然比检验攻击的最优变体；在五个常用贝叶斯网络上的实验显示，该攻击优于似然比检验和内积攻击，这些总体的依赖结构复杂到现有攻击无法手动适配。