本文研究了本地差分隐私模型下敏感统计信息的收集，提出了一种算法，其隐私成本与用户值的更改数量的对数成正比。通过匿名化用户报告，我们展示了中心式差分隐私模型下的LDP算法的隐私成本更低。通过新的隐私放大技术，我们证明了任何置换不变的算法，满足ε局部差分隐私的同时，也会满足（O（ε sqrt {log（1/δ）/n）}，δ）中心差分隐私。研究结果表明，基于LDP的工业部署的隐私成本会比宣传的ε值所表示的要低得多。