该存储库列出了我们小组在本地差分隐私下为数据收集/分析开发的原型算法。 规约 OLH 频率Oracle（原始估计直方图） 相关文章： 方波 密度Oracle（用于数字/标准值） 相关文章： 澄清：引用33应该是Ning Wang等。 收集和分析具有局部差异隐私的多维数据。 ICDE 2019。 SVSM LDP下的频繁项集挖掘 相关文章： 勘误表：在第V节的公式（10）中，存在三个项，其中两个项缺少系数$ \ ell $。 说明：为了找到前k个项目集，我们还考虑了SVIM（用于单例挖掘的方法）中的单例估计。 后处理 LDP的后处理方法列表 相关文章： 热镀锌 LDP下的多维范围查询 相关文章： 提供了代码。 我正在慢慢清理以下协议的代码： PEM 重型击球手识别 相关文章： 勘误表：对于AOL数据集，有0.12M，而不是0.2M唯一查询。 这是一个错字，不会改变任何结果。 澄

图像处理的LDP代码

纯LDP pure-LDP是一个Python软件包，提供了各种最新LDP算法（“频率Oracle”和“重磅炸弹”）的简单实现，其主要目标是提供一个简单的接口来对这些算法进行基准测试和实验。 Wang等人在一文中详细介绍了pure-LDP，它最初是用于纯LDP频率预言的软件包，但后来演变为实现许多其他最新的LDP频率估计协议，例如Apple的CMS / HCMS和Google的RAPPOR。 它还包含各种重击手协议的实现，例如Apple的Sequence Fragment Puzzle（SFP）和Prefix Extending Method（PEM）。 该库的主要目标是开发一个框架，该框架允许轻松使用频率预言数据库（FO）进行基准测试和实验，轻松扩展以实施新的预言数据库以及灵活替换当前协议中的FO（即，将FO与繁重的混合和匹配）打手协议）。 安装 使用软件包管理器进行安装。 pip

matlab + ldp代码PCKV：具有优化实用程序的本地差异私有相关的键值数据收集 这是我们工作的示例代码（在MATLAB中）[USENIX Security'20] 本地差异隐私（LDP）下的数据收集主要针对同类数据进行了研究。 实际应用中经常涉及不同数据类型的混合，例如键值对，其中键的频率和每个键下值的平均值必须同时估算。 对于使用LDP进行键值数据收集，实现良好的公用事业-隐私权折衷是一项挑战，因为数据包含两个维度，并且用户可能拥有多个键值对。 键和值之间也存在内在的关联，如果不加以利用，将导致效用不佳。 为了解决此问题，我们提出了一种本地差分私有相关键值（PCKV）数据收集框架，该框架利用相关扰动来增强实用性。 主要贡献概述如下： 我们提出了两种机制下的PCKV框架：PCKV-UE和PCKV-GRR，这两种机制分别是一元编码（UE）和广义随机响应（GRR）。 我们的方案是非交互式的（与PrivKVM相比），因为均值是在一轮中估算的。 我们从理论上分析期望值和MSE，并显示其渐近无偏性。 我们对键值数据采用了填充和采样协议，该协议比PrivKVM中使用的采样协议更好地处理了大

LDP over RSVP技术白皮书.pdf

lbp_original.m 传统LBP编码代码,Local Binary Pattern lbp_getmapping LBP统一、旋转、旋转统一模式映射表 ldp.m 用Kirsch算子卷积图像,Local Directional Pattern ldp_weight.m 返回kirschh算子卷积图像和权重 gdp.m 用sobor算子卷积获得梯度图像，对角度按照中心阈值编 码，Gradient directional pattern eldp.m ldp变种，Enhance Local Directional Pattern ldn.m ldp变种,Local Directional Number Pattern ltp.m lbp变种,Local Ternary Pattern oldp.m ldp变种，Optimized Local Directional Pattern

LDP建立过程抓包

matlab代码实现gallager校验矩阵构造，过程详细，已验证可行，适合初学者，大家可以自己先试试编一下在对比一下，不难。

局部方向模式（LDP）利用8个Kirsch模板与3×3局部邻域卷积得到局部的边缘梯度值,然后取绝对值并排序,最后将最大的三个梯度所在的方向信息编码成一个八位二进制数;其不足之处在于将边缘梯度求绝对值后进行编码。