DP Aggregation Demo（Postgres + Laplace）

本 demo 演示在 PostgreSQL 上包一层 Laplace 机制，对 COUNT、SUM、AVG 三个聚合函数做差分隐私发布。它是教学级实现，刻意忽略了很多生产必需的 能力（见文末”不包含什么”）。

依赖

• Python 3.10+
• psycopg >= 3.1
• numpy >= 1.24

pip install 'psycopg[binary]>=3.1' 'numpy>=1.24'

准备一张最小表

CREATE TABLE people (
    id   SERIAL PRIMARY KEY,
    age  INT,
    salary NUMERIC
);

INSERT INTO people (age, salary)
SELECT (random()*60+18)::int,
       (random()*100000+20000)::numeric
FROM generate_series(1, 10000);

运行

python dp_agg.py --dsn postgresql://user:pw@localhost/demo \
                 --table people --epsilon 1.0

输出类似：

Budget total = 1.0
dp_count(age > 30) ~= 7823.91
dp_sum(salary where age > 30) ~= 548219100.33
dp_avg(salary where age > 30) ~= 70104.55
Budget remaining = 0.0

如何观察噪声与 ε 的关系

多次运行、对比 ε = 0.1、ε = 1.0、ε = 10.0 的输出方差：

for e in 0.1 1.0 10.0; do
  for i in 1 2 3 4 5; do
    python dp_agg.py --dsn "$DSN" --table people --epsilon "$e"
  done
done

直观感受：ε 越小，加噪越重；ε 越大，越接近真值但隐私越弱。

不包含什么

生产部署建议直接使用 OpenDP 或 Tumult Analytics，它们把上面这些坑都补齐了，并且提供可审计的机制实现。