[论文解读] Quest: Practical and Oblivious Mitigation Strategies for COVID-19 using WiFi Datasets

Peeyush Gupta, Sharad Mehrotra+4 more|arXiv (Cornell University)|May 5, 2020

Privacy-Preserving Technologies in Data参考文献 48被引用 14

一句话总结

Quest 提出了一种保护隐私的系统，利用被动式WiFi连接数据，在不损害用户位置隐私的前提下，使组织能够实现接触追踪和社会距离监控。该系统采用计算安全与信息论安全的协议，防止追踪个人移动历史，同时通过自愿参与的警报机制准确识别暴露个体。该方案已在加州大学欧文部分校规模部署中得到验证，包含超过5000万条数据记录，优化后查询响应时间低于1秒。

ABSTRACT

Contact tracing has emerged as one of the main mitigation strategies to prevent the spread of pandemics such as COVID-19. Recently, several efforts have been initiated to track individuals, their movements, and interactions using technologies, e.g., Bluetooth beacons, cellular data records, and smartphone applications. Such solutions are often intrusive, potentially violating individual privacy rights and are often subject to regulations (e.g., GDPR and CCPR) that mandate the need for opt-in policies to gather and use personal information. In this paper, we introduce Quest, a system that empowers organizations to observe individuals and spaces to implement policies for social distancing and contact tracing using WiFi connectivity data in a passive and privacy-preserving manner. The goal is to ensure the safety of employees and occupants at an organization, while protecting the privacy of all parties. Quest incorporates computationally- and information-theoretically-secure protocols that prevent adversaries from gaining knowledge of an individual's location history (based on WiFi data); it includes support for accurately identifying users who were in the vicinity of a confirmed patient, and then informing them via opt-in mechanisms. Quest supports a range of privacy-enabled applications to ensure adherence to social distancing, monitor the flow of people through spaces, identify potentially impacted regions, and raise exposure alerts. We describe the architecture, design choices, and implementation of the proposed security/privacy techniques in Quest. We, also, validate the practicality of Quest and evaluate it thoroughly via an actual campus-scale deployment at UC Irvine over a very large dataset of over 50M tuples.

研究动机与目标

• 解决疫情期间（如COVID-19）基于蓝牙和GPS的接触追踪系统所面临的隐私风险与低采纳率问题。
• 开发一种被动式、组织级系统，用于监控人员存在与近距离接触，而无需用户主动参与数据共享。
• 确保即使攻击者获得系统访问权限，也无法利用WiFi位置数据重建个人移动历史。
• 通过安全的自愿参与警报机制，准确识别曾与确诊COVID-19病例接触的个体。
• 支持实际的实时应用，如人流流动监控、人员密度追踪与机构环境中的社会距离执法。

提出的方法

• Quest 利用WiFi接入点（AP）连接日志推断室内空间中个体的接近程度与存在状态，无需依赖主动的蓝牙或GPS信号。
• 系统实现两种安全查询协议：cQuest（计算安全）与iQuest（信息论安全），两者均旨在隐藏访问模式，防止推断用户身份或位置。
• 系统使用加密哈希表与每时段、每位置优化的计数器结构，以降低通信与计算开销。
• 采用安全多方计算技术执行私有集合交集运算，以识别曾与确诊患者近距离接触的个体，确保无数据泄露。
• 系统支持多种隐私保护查询，包括识别违反社交距离的个体与检测高密度区域。
• 通过外包加密哈希表与每时段计数器等优化技术，将数据传输量从95MB降至56.6KB，查询时间从206秒降至2秒。

实验结果

研究问题

• RQ1 能否设计一种被动式、基于WiFi的系统，在保护个人隐私的同时实现接触追踪与社会距离监控？
• RQ2 如何隐藏安全查询中的访问模式，以防止用户位置历史泄露？
• RQ3 在真实部署中，信息论安全相比计算安全带来的性能开销有多大？
• RQ4 密码学优化能在多大程度上降低大规模部署中的通信与计算成本？
• RQ5 此类系统能否在大学等实际组织环境中，处理高数据量场景下实现有效部署？

主要发现

• 优化后的Quest将Q3（社会距离违规）查询执行时间从206秒降至2秒，得益于每时段与每位置计数器的使用。
• 通过使用外包加密哈希表，Q4（唯一设备检测）的查询时间从179.4秒降至1秒。
• 通过优化技术，Q3的通信开销从95MB降至56.6KB，Q2的通信开销从3.6GB降至2.1MB。
• 尽管iQuest通信开销更高，但实现了信息论安全，访问模式泄露可忽略不计；而cQuest则存在访问模式泄露问题。
• 优化后，关键查询实现了亚秒级响应时间，证明了系统在实时监控中的实用性。
• 在加州大学欧文部分校使用超过5000万条WiFi数据记录的部署中，验证了系统在真实校园环境中的可扩展性与有效性。