8：L应用差分隐私：蓝队的隐私保护技术

import numpy as np

def laplace_mechanism(value, sensitivity, epsilon):
    """实现拉普拉斯机制
    
    参数:
        value: 原始值
        sensitivity: 函数的敏感度
        epsilon: 隐私预算
        
    返回:
        添加噪声后的值
    """
    # 计算噪声尺度
    scale = sensitivity / epsilon
    # 生成拉普拉斯噪声
    noise = np.random.laplace(0, scale)
    # 添加噪声
    return value + noise

# 测试拉普拉斯机制
# 假设计算安全事件的数量
count = 100
# 敏感度为1（增加或删除一个数据点最多改变计数1）
sensitivity = 1
# 隐私预算
epsilon = 0.1

# 添加噪声
noisy_count = laplace_mechanism(count, sensitivity, epsilon)
print(f"原始计数: {count}")
print(f"添加噪声后: {noisy_count}")

class PrivacyBudgetManager:
    def __init__(self, total_budget):
        """初始化隐私预算管理器
        
        参数:
            total_budget: 总隐私预算
        """
        self.total_budget = total_budget
        self.used_budget = 0
    
    def request_budget(self, amount):
        """请求隐私预算
        
        参数:
            amount: 请求的预算量
            
        返回:
            bool: 是否成功请求到预算
        """
        if self.used_budget + amount <= self.total_budget:
            self.used_budget += amount
            return True
        else:
            return False
    
    def get_remaining_budget(self):
        """获取剩余隐私预算
        
        返回:
            float: 剩余预算
        """
        return self.total_budget - self.used_budget

# 测试隐私预算管理
manager = PrivacyBudgetManager(total_budget=1.0)

# 请求预算
print(f"剩余预算: {manager.get_remaining_budget()}")
print(f"请求0.3预算: {manager.request_budget(0.3)}")
print(f"剩余预算: {manager.get_remaining_budget()}")
print(f"请求0.8预算: {manager.request_budget(0.8)}")
print(f"剩余预算: {manager.get_remaining_budget()}")

import pandas as pd

# 模拟安全日志数据
log_data = pd.DataFrame({
    'user_id': [1, 2, 3, 4, 5],
    'login_attempts': [5, 3, 10, 2, 7],
    'failed_attempts': [1, 0, 3, 0, 2]
})

def analyze_login_attempts(data, epsilon):
    """分析登录尝试，使用差分隐私
    
    参数:
        data: 安全日志数据
        epsilon: 隐私预算
        
    返回:
        dict: 分析结果
    """
    results = {}
    
    # 计算平均登录尝试次数
    mean_login = data['login_attempts'].mean()
    # 使用拉普拉斯机制添加噪声
    mean_login_noisy = laplace_mechanism(mean_login, sensitivity=10/len(data), epsilon=epsilon/2)
    results['mean_login_attempts'] = mean_login_noisy
    
    # 计算平均失败尝试次数
    mean_failed = data['failed_attempts'].mean()
    # 使用拉普拉斯机制添加噪声
    mean_failed_noisy = laplace_mechanism(mean_failed, sensitivity=3/len(data), epsilon=epsilon/2)
    results['mean_failed_attempts'] = mean_failed_noisy
    
    return results

# 测试安全日志分析
results = analyze_login_attempts(log_data, epsilon=0.5)
print("分析结果:")
print(f"平均登录尝试次数: {results['mean_login_attempts']}")
print(f"平均失败尝试次数: {results['mean_failed_attempts']}")

# 原始数据的真实值
print("\n真实值:")
print(f"平均登录尝试次数: {log_data['login_attempts'].mean()}")
print(f"平均失败尝试次数: {log_data['failed_attempts'].mean()}")