[論文レビュー] Libertas: Privacy-Preserving Collective Computation for Decentralised Personal Data Stores

Rui Zhao, Naman Goel+8 more|arXiv (Cornell University)|Sep 28, 2023

Cryptography and Data SecurityComputer Science被引用数 3

ひとこと要約

Libertasは、Secure Multi-Party Computation（MPC）と微分プライバシーを、Solidのような分散型個人データストア（PDS）にプロトコルを変更せずに統合するモジュラーでプライバシー保護型の計算アーキテクチャを提案する。これは、データ提供者数に比例してスケーラブルに、信頼を最小限に抑えた集団的データ分析を可能にする。実世界のシナリオ、例えばギグワーカーの収入集計や合成データ生成において検証済みである。

ABSTRACT

Data and data processing have become an indispensable aspect for our society. Insights drawn from collective data make invaluable contribution to scientific and societal research and business. But there are increasing worries about privacy issues and data misuse. This has prompted the emergence of decentralised personal data stores (PDS) like Solid that provide individuals more control over their personal data. However, existing PDS frameworks face challenges in ensuring data privacy when performing collective computations with data from multiple users. While Secure Multi-Party Computation (MPC) offers input secrecy protection during the computation without relying on any single party, issues emerge when directly applying MPC in the context of PDS, particularly due to key factors like autonomy and decentralisation. In this work, we discuss the essence of this issue, identify a potential solution, and introduce a modular architecture, Libertas, to integrate MPC with PDS like Solid, without requiring protocol-level changes. We introduce a paradigm shift from an `omniscient' view to individual-based, user-centric view of trust and security, and discuss the threat model of Libertas. Two realistic use cases for collaborative data processing are used for evaluation, both for technical feasibility and empirical benchmark, highlighting its effectiveness in empowering gig workers and generating differentially private synthetic data. The results of our experiments underscore Libertas' linear scalability and provide valuable insights into compute optimisations, thereby advancing the state-of-the-art in privacy-preserving data processing practices. By offering practical solutions for maintaining both individual autonomy and privacy in collaborative data processing environments, Libertas contributes significantly to the ongoing discourse on privacy protection in data-driven decision-making contexts.

研究の動機と目的

• 分散型個人データストア（PDS）において、ユーザーがデータを管理するが共同処理の際のリスクに直面するという、エンド・ツー・エンドのプライバシー保護型計算の欠如に取り組むこと。
• SolidのようなPDSフレームワークにMPCと微分プライバシーを統合し、分散性とユーザーの自律性を維持すること。
• 入力プライバシー、出力プライバシー、最小限の信頼、スケーラビリティ、汎用性を満たす、分散型集団計算のための5つのコア要件をすべて満たすシステムを設計すること。
• ギグワーカーのデータ集計や微分プライバシー付きの合成データ生成を含む、現実的なユースケースを通じて、アーキテクチャの実現可能性とスケーラビリティを評価すること。
• 委任型分散MPCモデルが線形スケーラビリティを実現でき、実世界での展開に最適化可能であることを示すこと。

提案手法

• 計算エージェントがデータ所有者の代わりにMPCプロトコルを処理する、委任型分散MPCモデルを導入することで、信頼性と通信オーバーヘッドを低減する。
• 複数のPDSユーザーからの分散データ上で関数を安全に計算するために、MP-SPDZをMPCフレームワークとして採用する。
• MPCと微分プライバシーを組み合わせることで、入力および出力データの両方を保護し、推論攻撃に対して耐性を持つ。
• 既存のPDSプロトコル（例：Solid）と互換性を持つモジュラーなアーキテクチャを採用し、プロトコルレベルの変更を不要とする。
• 通信ラウンド数を削減し、現実のワークロードでのパフォーマンスを向上させるために、クライアント・ビニングなどのタスク固有の最適化を適用する。
• 実測ベンチマークを用いて、データ提供者の数や計算ワークロードの変動に応じたパフォーマンスを評価する。

実験結果

リサーチクエスチョン

• RQ1 MPCをSolidのような分散型個人データストアに、そのコアプロトコルを変更せずに統合する方法は何か？
• RQ2 分散型で信頼を最小限に抑えた環境において、スケーラブルかつプライバシー保護型の集団的計算を実現するアーキテクチャモデルは何か？
• RQ3 提案されたシステムは、現実のワークロードにおいて、データ提供者の数に対して線形スケーリングを達成できるか？
• RQ4 MPCと微分プライバシーを組み合わせることで、分散データ処理におけるプライバシー保証はどのように強化されるか？
• RQ5 分散型PDS環境におけるMPCの実世界展開に効果的なパフォーマンス最適化は何か？

主な発見

• Libertasアーキテクチャは、データ提供者の数に対して計算時間の面で線形スケーリングを達成しており、あるシナリオでは10から1000人の提供者にスケーリングした際、計算時間の増加がたった1.2%にとどまる。
• 多くのデータ提供者を伴う単純な計算では、セットアップ時間が合計実行時間の大部分を占めるため、セットアップフェーズの最適化がパフォーマンス向上にとって極めて重要であることが示された。
• ギグワーカー支援ユースケースでは、スケーリングに伴い計算時間がゆっくりと増加したため、分散環境における実世界展開の実現可能性が裏付けられた。
• ベンチマークにより、委任型分散MPCモデルが直接分散モデルを上回るスケーラビリティを示した。
• クライアント・ビニングやプロトコルレベルの最適化により、特にMWEMベースの合成データ生成ワークロードにおいて、通信および計算オーバーヘッドが顕著に削減された。
• 実測評価により、Libertasが入力プライバシーと出力プライバシーの両方をサポートしており、信頼できるセンターが不要な高影響力の応用（例：合成データ生成）を可能にすることが確認された。