[论文解读] Differentially Private Combinatorial Cloud Auction

Tianjiao Ni, Zhili Chen+4 more|arXiv (Cornell University)|Jan 3, 2020

Privacy-Preserving Technologies in Data参考文献 26被引用 4

一句话总结

本文提出差分隐私组合式云拍卖（DPCA），一种通过基于收益比例概率的指数机制选择清算单位价格，从而在确保差分隐私、近似真实性及高收益的同时，实现云资源分配的机制。改进的变体DPCA-S与DPCA-M通过顺序或分组选择单位价格，降低运行时间，在保持隐私保障的前提下实现效率与收益的可调和平衡。

ABSTRACT

Cloud service providers typically provide different types of virtual machines (VMs) to cloud users with various requirements. Thanks to its effectiveness and fairness, auction has been widely applied in this heterogeneous resource allocation. Recently, several strategy-proof combinatorial cloud auction mechanisms have been proposed. However, they fail to protect the bid privacy of users from being inferred from the auction results. In this paper, we design a differentially private combinatorial cloud auction mechanism (DPCA) to address this privacy issue. Technically, we employ the exponential mechanism to compute a clearing unit price vector with a probability proportional to the corresponding revenue. We further improve the mechanism to reduce the running time while maintaining high revenues, by computing a single clearing unit price, or a subgroup of clearing unit prices at a time, resulting in the improved mechanisms DPCA-S and its generalized version DPCA-M, respectively. We theoretically prove that our mechanisms can guarantee differential privacy, approximate truthfulness and high revenue. Extensive experimental results demonstrate that DPCA can generate near-optimal revenues at the price of relatively high time complexity, while the improved mechanisms achieve a tunable trade-off between auction revenue and running time.

研究动机与目标

• 为解决现有真实组合式云拍卖机制中缺乏出价隐私保护的问题，即出价信息可能从拍卖结果中被推断出来。
• 设计一种机制，在不损害收益或真实性的前提下，保证组合式云拍卖中的差分隐私。
• 降低基线DPCA机制的高计算复杂度，同时保持高收益，以实现实际部署。
• 通过模块化的价格选择策略，提供运行时间与收益之间的可调和平衡。

提出的方法

• DPCA机制使用指数机制，以生成收益成比例的概率选择清算单位价格向量，从而确保差分隐私。
• DPCA-S通过每次迭代仅选择一个单位价格提升效率，减少噪声注入与计算负载。
• DPCA-M通过同时选择一组单位价格，推广该方法，实现收益与性能的平衡。
• 这些机制通过在隐私约束下使激励与真实出价对齐，确保近似真实性。
• 理论分析证明，DPCA、DPCA-S与DPCA-M均实现差分隐私、近似真实性与高收益。
• 通过模拟评估机制，测试不同虚拟机类型数量、用户数量与隐私预算下的收益、时间与用户满意度之间的权衡。

实验结果

研究问题

• RQ1 组合式云拍卖机制能否在保持高收益与近似真实性的同时，保证差分隐私？
• RQ2 如何在不显著降低收益的前提下，降低差分隐私拍卖机制的计算复杂度？
• RQ3 在顺序与分组选择单位价格时，运行时间与拍卖收益之间的权衡如何？
• RQ4 隐私预算ε如何影响所提机制在收益与用户满意度方面的性能？
• RQ5 当隐私成为约束条件时，所提机制能否在收益上超越非私有的拍卖机制？

主要发现

• DPCA实现接近最优的收益，但运行时间较高，仅适用于小规模云拍卖。
• DPCA-S运行时间最低（低于200 ms），但因多次应用指数机制导致噪声增加，收益最差。
• DPCA-M实现良好平衡，收益高于DPCA-S，运行时间低于DPCA，尤其在每组选择多个价格（T=3）时表现更优。
• 随着隐私预算ε从0.2增至1.0，所有机制的收益与用户满意度均提升，证实更高隐私预算的积极影响。
• 在350名用户与20种虚拟机类型的实用场景中，T=3的DPCA-M在收益上优于DPCA-S与Basic机制，且运行时间保持在5秒以内。
• 当虚拟机供应超过需求时，所提私有机制产生的收益高于非私有基线，证明即使在供过于求条件下，隐私保护设计仍具价值。