Differential Privacy (DP)

微分隐私（Differential Privacy, DP）是一种数学上严谨的隐私保护框架，旨在允许数据持有者在发布关于数据集的统计信息时，同时保护个体数据主体的隐私。其核心机制是在统计计算过程中注入经过精确量化的噪声，使得攻击者无法通过单次查询结果推断出特定个体的存在或属性。该框架在保障数据效用（Utility）的同时，提供了关于隐私泄露概率的严格数学上界，是现代隐私计算领域的基石技术。

在现代计算架构中，微分隐私扮演着平衡数据价值与隐私安全的“守门人”角色。特别是在前端与移动端场景下，由于数据往往在用户设备端直接采集且难以完全脱离用户控制，微分隐私成为解决“数据本地化”与“隐私合规”矛盾的关键方案。它不依赖复杂的加密开销，而是通过算法层面的噪声注入，实现了在保护用户隐私的前提下，让聚合数据（如用户行为趋势、功能使用率）得以安全流通，是构建可信数据生态、满足 GDPR 等法规要求的核心技术手段。