[論文レビュー] REAP: An Efficient Incentive Mechanism for Reconciling Aggregation Accuracy and Individual Privacy in Crowdsensing

Zhikun Zhang, Shibo He+2 more|arXiv (Cornell University)|Nov 2, 2017

Privacy-Preserving Technologies in Data参考文献 30被引用数 6

ひとこと要約

本稿では、差分プライバシーを用いて個人のプライバシー志向を定量化し、予算制約のもとで最適化することで、参加者ユーザー（PUs）がノイズを低減するようインcentivizeするメカニズムであるREAPを提案する。REAPは、参加者ユーザーのプライバシー志向の多様性を考慮し、完全情報および非完全情報設定下で閉形式の契約を用いて、データ集約の正確性と個人のプライバシーの両立を実現する契約ベースのインcentiveメカニズムである。従来のメカニズムと比較して、より高い集約精度を達成する。

ABSTRACT

Incentive mechanism plays a critical role in privacy-aware crowdsensing. Most previous studies on co-design of incentive mechanism and privacy preservation assume a trustworthy fusion center (FC). Very recent work has taken steps to relax the assumption on trustworthy FC and allows participatory users (PUs) to add well calibrated noise to their raw sensing data before reporting them, whereas the focus is on the equilibrium behavior of data subjects with binary data. Making a paradigm shift, this paper aim to quantify the privacy compensation for continuous data sensing while allowing FC to directly control PUs. There are two conflicting objectives in such scenario: FC desires better quality data in order to achieve higher aggregation accuracy whereas PUs prefer adding larger noise for higher privacy-preserving levels (PPLs). To achieve a good balance therein, we design an efficient incentive mechanism to REconcile FC's Aggregation accuracy and individual PU's data Privacy (REAP). Specifically, we adopt the celebrated notion of differential privacy to measure PUs' PPLs and quantify their impacts on FC's aggregation accuracy. Then, appealing to Contract Theory, we design an incentive mechanism to maximize FC's aggregation accuracy under a given budget. The proposed incentive mechanism offers different contracts to PUs with different privacy preferences, by which FC can directly control PUs. It can further overcome the information asymmetry, i.e., the FC typically does not know each PU's precise privacy preference. We derive closed-form solutions for the optimal contracts in both complete information and incomplete information scenarios. Further, the results are generalized to the continuous case where PUs' privacy preferences take values in a continuous domain. Extensive simulations are provided to validate the feasibility and advantages of our proposed incentive mechanism.

研究の動機と目的

• クラウドセンシングにおける、集約センター（FC）が高品質なデータを必要とするのに対し、参加者ユーザー（PUs）が強いプライバシー保護を求めるという対立を解決すること。
• 情報の非対称性がある中でも、FCがPUsのプライバシーレベルを直接制御できるインcentiveメカニズムを設計すること。
• 差分プライバシーと$(\alpha,\delta)$-正確性を用いて、個人のプライバシーレベル（PPLs）と集約精度のトレードオフを定量化すること。
• PUsのプライバシー志向が未知であっても、予算制約のもとで最適に報酬を支払うスケーラブルなメカニズムを構築すること。
• 連続的なプライバシー志向のドメインに一般化し、実世界のシステムへの実用的導入を可能にすること。

提案手法

• 差分プライバシーを用いて個々のPUsのプライバシー志向（PPLs）を測定し、$(\alpha,\delta)$-正確性を用いて集約性能を定量化することで、プライバシーと正確性のトレードオフを形式化する。
• 契約理論を適用し、各PUsタイプに対して、プライバシーレベル$\epsilon_j$と対応する報酬$p_j$を指定する最適な契約のメニューを設計する。
• 完全情報および非完全情報の両状況下で、インcentive互換性と個別合理性を満たす最適契約の閉形式解を導出する。
• PUsタイプに応じて$\epsilon_j$が単調増加となるように保証し、プライバシー志向の戦略的虚偽報告を防ぐ。
• 離散タイプモデルを連続的なタイプ空間に一般化し、積分と連続タイプ空間における最適化を用いる。
• シミュレーションを用いて、予算やPUsタイプ数の変動下での実現可能性、性能、ロバストネスを検証する。

実験結果

リサーチクエスチョン

• RQ1 FCが信頼できないと仮定しても、クラウドセンシングにおいて集約精度と個人のプライバシーを効率的にバランスさせる方法は何か？
• RQ2 PUsのプライバシー志向とFCでの集約精度との間の定量的関係は何か？
• RQ3 情報の非対称性がある中でも、プライバシー志向の真実の報告を誘発するインcentiveメカニズムはどのように設計できるか？
• RQ4 予算が固定されている条件下で、多様なプライバシー志向を考慮し、集約精度を最大化する最適な契約構造は何か？
• RQ5 PUsタイプ数と利用可能な予算の変化に伴い、メカニズムの性能はどのように変化するか？

主な発見

• 提案されたREAPメカニズムは、最適化された契約を通じてFCがPUsを直接制御できるため、ベースラインメカニズムよりも高い集約精度を達成する。
• 完全情報下では、最適契約により最高タイプのPUsにゼロのユーティリティが保証され、低タイプのPUsには正のユーティリティが保証され、個別合理性とインcentive互換性を満たす。
• 非完全情報下では、各PUsが自身の真のタイプに対応する契約を選択したときにのみユーティリティが最大化されるように最適契約が設計され、インcentive互換性が維持される。
• 予算が増加するにつれて集約精度が向上する。これは、より大きな予算により、ノイズを低減させる（PPLを高くする）ようにインcentivizeするための高い報酬を支払えるからである。
• PUsタイプ数が増加するにつれて集約精度が低下する。これは、インcentive互換性制約を満たすために必要な追加の報酬が増加するためである。
• シミュレーション結果により、メカニズムの実現可能性とロバストネスが確認され、異なる予算およびタイプ設定下で単調性とインcentive互換性の性質が検証された。