用差分隐私保护吹哨人：审计选择也可能泄密

导语

吹哨人制度的核心难题并不只是“能不能提交举报”，还包括“举报之后会不会被反推出身份”。来自 arXiv 的论文《Plausible Deniability Guarantees for Whistleblowers》把这个问题推进到一个更技术化的层面：如果被举报的组织能够观察审计机构每次选择审计谁，它是否能根据这些选择推断出某份报告的存在，进而锁定举报者？

这篇论文的贡献不在于提出一个新的举报平台产品，而在于为“可信否认性”给出形式化隐私保证，并分析不同审计选择机制在强对手模型下的边界。

核心要点

• 威胁模型更贴近现实。 论文假设被审计组织本身可以看到审计选择的历史记录，也就是所谓的审计 transcript。对组织而言，如果某次举报明显提高了自己被审计的概率，就可能成为报复线索。

• 用每份报告的差分隐私定义保护。 作者将目标形式化为审计选择 transcript 上的 per-report $(0, \delta)$-differential privacy。直观地说，加入或移除某一份举报，不应让外部观察到的审计选择序列发生可被可靠区分的变化，除非落在很小的失败概率范围内。

• 随机响应并非理想答案。 一个自然想法是在审计选择阶段加入随机响应：既考虑举报数量，又随机化选择结果。但论文证明，在该框架下，这类方法在任意审计期限内，相比均匀随机审计的提升最多只有 $\delta$。这意味着它很难同时提供强隐私和明显的审计效率提升。

• 把私密审计转化为私密持续计数。 论文提出一个通用机制：先用满足 $(0, \delta)$-DP 的 continual counter 私密地维护各组织举报计数，再通过后处理决定审计对象。由于差分隐私在后处理下保持不变，审计 transcript 继承同样的每报告隐私保证。

• 噪声增长更温和。 论文用近期持续计数方法实例化该框架，得到跨越 $T$ 次审计决策时噪声按 $O(\sqrt{\log T})$ 缩放的结果。作者还给出效用定理：当被举报最多的组织与第二名之间的噪声化报告差距增长快于 $\sqrt{\log T}$ 时，选择错误会消失。

意义与影响

这项研究的重要性在于，它指出“保护举报内容”还不够，审计系统的行为本身也可能泄露信息。对 AI 治理、企业合规、平台安全或公共部门审计而言，很多机制都依赖外部报告来决定调查优先级。如果这些优先级变化过于直接地反映举报输入，就可能让被调查方获得反推线索。

论文的另一个启发是，隐私保护不能只看单次数据发布，还要看连续决策过程。审计选择会随着时间展开，攻击者也会积累观察。因此，持续计数这类面向时间序列发布的差分隐私工具，可能比简单随机化更适合此类治理场景。

当然，该论文主要提供理论框架和模拟结果，并不等同于一个可直接落地的完整制度。现实中的举报保护还涉及法律、组织流程、身份隔离、证据保存和调查资源等复杂因素。但从技术治理角度看，它为“如何在不暴露举报者的前提下提高审计命中率”提供了一个更严谨的讨论基础。

来源：arXiv