[论文解读] Consensus-based Privacy-preserving Data Aggregation

Jianping He, Lin Cai+3 more|arXiv (Cornell University)|Sep 20, 2016

Security in Wireless Sensor Networks参考文献 35被引用 7

一句话总结

该论文提出了一种基于共识的隐私保护数据聚合（SCDA）算法，可在无需密码学机制的情况下实现自组织网络中准确的求和与平均值聚合。通过添加具有特定统计特性的结构化噪声，SCDA在实现确定性收敛和低计算复杂度的同时，确保了$(\epsilon,\sigma)$-数据隐私，使其对网络动态变化具有鲁棒性。

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. 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, we prove that the proposed algorithm converges accurately and is $(ε, σ)$-data-privacy, and the mathematical relationship between $ε$ and $σ$ is provided. Extensive simulations have shown that the proposed algorithm has high accuracy and low complexity, and they are robust against network dynamics.

研究动机与目标

• 解决在缺乏集中控制或可信权威机构的动态、去中心化自组织网络中，隐私保护数据聚合的挑战。
• 设计一种无需使用密码学原原子的分布式数据聚合方案，确保准确计算总和与平均值。
• 以估计精度和泄露概率为指标量化隐私保护，提出一种新型的$(\epsilon,\sigma)$-数据隐私定义。
• 确保在动态网络拓扑、节点资源有限及通信链路不可靠等条件下具备收敛性与鲁棒性。
• 为无线传感器网络和智能电表系统中现有的基于密码学的方法提供一种低复杂度、可扩展的替代方案。

提出的方法

• SCDA算法采用分布式平均共识框架，每个节点基于邻居值的加权平均值迭代更新其状态。
• 在共识过程中添加特定分布的噪声，以在确保对真实平均值的确定性收敛的同时保护隐私。
• 推导出共识过程中噪声的充分必要条件，以保证聚合的准确性与隐私性。
• 引入$(\epsilon,\sigma)$-数据隐私定义，其中$\sigma$为攻击者在$\epsilon$-区间内估计节点初始数据的概率上限。
• 利用初始噪声的概率密度函数，形式化推导$\epsilon$与$\sigma$之间的关系。
• 通过避免依赖中心控制器或可信实体，使算法对节点故障和动态拓扑具有鲁棒性。

实验结果

研究问题

• RQ1 能否在不依赖密码学或可信权威机构的情况下，实现在自组织网络中的准确且私密的数据聚合？
• RQ2 添加的噪声需满足何种条件，才能同时确保收敛到真实平均值并提供强隐私保障？
• RQ3 如何以估计精度和泄露概率为指标，对隐私进行定量度量？
• RQ4 在所提出的SCDA框架中，隐私参数$\epsilon$与$\sigma$之间的数学关系是什么？
• RQ5 SCDA算法在动态网络条件下，其收敛速度、准确性和鲁棒性表现如何？

主要发现

• SCDA算法可确定性地收敛至网络中所有节点初始数据值的真实平均值。
• 该算法实现了$(\epsilon,\sigma)$-数据隐私，其中$\sigma = \max_{\nu \in [-\frac{\alpha}{2}\rho, \frac{\alpha}{2}\rho]} \int_{\nu - \epsilon}^{\nu + \epsilon} f_{\theta_j(0)}(y) dy$，确保攻击者在$\epsilon$区间内估计节点初始值的概率被限制在$\sigma$以内。
• 当$\epsilon \to 0$时，泄露概率$\sigma$趋近于零，证实了在高精度估计约束下具备强隐私保护能力。
• 算法在每个节点上的计算复杂度为$O(n)$，通信开销为$O(kn^2)$，其中$k$为迭代次数，通常远小于$n$。
• 仿真结果表明，即使在动态网络拓扑和链路故障条件下，SCDA仍能实现高精度与快速收敛。
• 该方法对网络动态变化具有鲁棒性，且无需预先建立密钥、安全通道或可信权威机构。