[论文解读] Private and Accurate Data Aggregation against Dishonest Nodes.

Jianping He, Lin Cai+4 more|arXiv (Cornell University)|Sep 20, 2016

Privacy-Preserving Technologies in Data参考文献 27被引用 6

一句话总结

本文提出了SCDA和E-SCDA，这两种基于共识的算法用于在自组织网络中实现私密且精确的数据聚合，确保$(\epsilon, \sigma)$-数据隐私性，并具备对不诚实节点的鲁棒性。这些方法在具有网络动态性和节点不诚实性的条件下，仍能实现高精度与低复杂度，且具备可证明的收敛性和误差界。

ABSTRACT

Privacy-preserving data aggregation in ad hoc networks is a challenging problem, considering the distributed communication and control requirement, dynamic network topology, unreliable communication links, etc. The difficulty is exaggerated when there exist dishonest nodes, and how to ensure privacy, accuracy, and robustness against dishonest nodes remains an open issue. Different from the widely used cryptographic approaches, in this paper, we address this challenging problem by exploiting the distributed consensus technique. We first propose a secure consensus-based data aggregation (SCDA) algorithm that guarantees an accurate sum aggregation while preserving the privacy of sensitive data. Then, to mitigate the pollution from dishonest nodes, we propose an Enhanced SCDA (E-SCDA) algorithm that allows neighbors to detect dishonest nodes, and derive the error bound when there are undetectable dishonest nodes. {We prove the convergence of both SCDA and E-SCDA. We also prove that the proposed algorithms are $(\epsilon, \sigma)$-data-privacy, and obtain the mathematical relationship between $\epsilon$ and $\sigma$.} Extensive simulations have shown that the proposed algorithms have high accuracy and low complexity, and they are robust against network dynamics and dishonest nodes.

研究动机与目标

• 解决在具有不诚实节点的动态、分布式自组织网络中确保隐私性、准确性和鲁棒性的数据聚合挑战。
• 通过利用分布式共识技术而非密码学方法，克服密码学方法的局限性。
• 设计一种协议，在保持数据隐私的同时，实现尽管存在不可靠链路和动态拓扑，仍能准确计算总和。
• 实现对不诚实节点的检测，并对在聚合过程中无法被检测到的不诚实节点所引入的误差进行界定。
• 使用$(\epsilon, \sigma)$-数据隐私度量标准，通过推导$\epsilon$与$\sigma$之间的数学关系，证明收敛性和正式的隐私保障。

提出的方法

• 提出SCDA，一种安全的基于共识的数据聚合算法，确保在保护输入数据隐私的同时实现准确的总和计算。
• 使用分布式共识，通过迭代收敛到正确总和，每个节点根据邻居节点的值更新其本地估计值。
• 提出E-SCDA作为增强版本，通过在接收到的数据上进行一致性检查，使相邻节点能够检测到不诚实行为。
• 推导出不诚实节点逃避检测情况下的误差界，量化与真实总和的最大偏差。
• 使用$(\epsilon, \sigma)$-数据隐私形式化隐私保障，并建立$\epsilon$与$\sigma$之间的数学关系。
• 在一般网络条件下证明SCDA和E-SCDA的收敛性，确保在动态拓扑中的稳定性。

实验结果

研究问题

• RQ1 如何在具有动态拓扑和不可靠链路的自组织网络中实现准确且私密的数据聚合？
• RQ2 分布式共识能否有效替代密码学方法，用于去中心化网络中的隐私保护聚合？
• RQ3 在基于共识的聚合框架中，哪些机制能够实现对不诚实节点的检测？
• RQ4 当部分不诚实节点在聚合过程中未被检测到时，其理论误差界是什么？
• RQ5 在所提出的$(\epsilon, \sigma)$-数据隐私模型中，隐私参数$\epsilon$与$\sigma$之间的正式关系是什么？

主要发现

• SCDA算法在动态自组织网络中实现了准确的总和聚合，并具备可证明的收敛性。
• E-SCDA算法使相邻节点能够检测到不诚实节点，从而提高了对恶意行为的鲁棒性。
• 所提出的算法被正式证明具备$(\epsilon, \sigma)$-数据隐私性，且推导出了$\epsilon$与$\sigma$之间的数学关系。
• 大量仿真结果证实，即使在网络动态性和不诚实节点注入的情况下，仍能保持高精度和低计算复杂度。
• E-SCDA中的误差界被定量推导，为由于无法检测到的不诚实节点所导致的聚合不准确性提供了理论上限。
• SCDA和E-SCDA均对不可靠通信链路和不断变化的网络拓扑表现出鲁棒性。