论文2023/1764
通过乱序与聚合实现分布式差异隐私:一项奇怪的研究
于伟普渡大学西拉斐特分校
贾靖宇,南开大学
吴宇多,南开大学
胡昌辉,海南大学
张裕东,广州大学
刘哲丽,南开大学
陈晓峰,西安电子科技大学
云鹏,广州大学
王绍伟,广州大学
摘要
如何在没有可信中心方的情况下实现分布式差异隐私(DP)是理论界和实践界都非常感兴趣的问题。最近,洗牌模式引起了人们的广泛关注。与用户直接向数据采集器/分析器发送随机数据的本地DP模型不同,在shuffle模型中,引入了一个中间不受信任的shuffler来随机排列用户在到达分析器之前已经随机化的数据。最吸引人的方面是,虽然洗牌不会显式地给数据添加更多噪音,但它可以改善隐私。因此,隐私放大效应意味着用户需要向数据添加比本地DP模型更少的噪声,但可以实现相同级别的差分隐私。因此,混洗模型中的协议可以提供比本地DP模型中的协议更好的准确性。我们感兴趣的是,shuffle模型的架构类似于已经研究了十多年的私有聚合。在私有聚合中,本地随机用户数据由中间不可信聚合器聚合。因此,我们的问题是,聚合是否也表现出某种隐私放大效应?如果是这样,那么与洗牌模型相比,这种“聚合模型”有多好。我们对两者进行了第一次比较研究,包括隐私放大、功能、协议准确性和实用性。到目前为止的结果表明,新的洗牌模型与旧的聚合模型相比没有明显的优势。相反,聚合模型中的协议在许多方面都优于洗牌模型中的那些协议,有时这一点非常重要。
BibTeX公司
@其他{加密打印:2023/1764,author={余伟、贾靖宇、吴玉铎、胡长辉、董长瑜、刘哲丽、陈晓峰、彭云、王绍伟},title={通过乱序与聚合实现分布式差异隐私:一项奇怪的研究},howpublished={Cryptology ePrint Archive,论文2023/1764},年份={2023},注释={\url{https://eprint.iacr.org/2023/1764}},url={https://eprint.iacr.org/2023/1764}}