[论文解读] 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 3

一句话总结

Libertas 提出了一种模块化、隐私保护的计算架构，将安全多方计算（MPC）与差分隐私整合到去中心化个人数据存储（PDS）中，如 Solid，且无需修改底层协议。该架构支持可扩展的、信任最小化的集体数据计算，计算性能随数据提供者数量线性增长，并在真实场景（如零工经济收入聚合与合成数据生成）中得到验证。

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.

研究动机与目标

• 为解决去中心化个人数据存储（PDS）中端到端隐私保护计算的缺失问题，即用户保有数据控制权，但在协作数据处理中面临风险。
• 在 Solid 等 PDS 框架中集成 MPC 和差分隐私，同时保持去中心化与用户自主性。
• 设计一种系统，确保输入隐私、输出隐私、最小信任、可扩展性与通用性，满足去中心化集体计算的五大核心需求。
• 通过真实用例评估该架构的可行性与可扩展性，包括零工经济数据聚合与差分隐私下的合成数据生成。
• 证明委托-去中心化 MPC 模型可实现线性可扩展性，并可针对实际部署进行优化。

提出的方法

• 提出委托-去中心化 MPC 模型，由计算代理代表数据所有者执行 MPC 协议，降低信任与通信开销。
• 采用 MP-SPDZ 作为底层 MPC 框架，安全地对来自多个 PDS 用户的分布式数据执行函数计算。
• 将 MPC 与差分隐私结合，保护输入与输出数据，防止推理攻击。
• 采用模块化架构，保持与现有 PDS 协议（如 Solid）的向后兼容性，无需协议层修改。
• 应用任务特定优化，如客户端分组（client-binning），以减少通信轮次，提升真实工作负载下的性能。
• 通过实证基准测试，评估在不同数据提供者数量与计算工作负载下的性能表现。

实验结果

研究问题

• RQ1 如何在不修改其核心协议的前提下，将 MPC 集成到去中心化个人数据存储（如 Solid）中？
• RQ2 何种架构模型能够在去中心化、信任最小化的环境中实现可扩展的隐私保护集体计算？
• RQ3 所提出的系统在真实工作负载中是否能实现与数据提供者数量成线性关系的可扩展性？
• RQ4 将 MPC 与差分隐私结合，如何增强去中心化数据处理中的隐私保障？
• RQ5 在去中心化 PDS 环境中，哪些性能优化措施对 MPC 的实际部署有效？

主要发现

• Libertas 架构在计算时间上实现了与数据提供者数量的线性可扩展性，在某一场景中，当提供者数量从 10 增至 1000 时，计算时间仅增加 1.2%。
• 在具有大量数据提供者的简单计算中，准备阶段时间主导了总执行时间，表明优化准备阶段对性能至关重要。
• 在零工经济赋能用例中，计算时间随规模增长缓慢，表明其在去中心化环境中的实际部署具有可行性。
• 委托-去中心化 MPC 模型在可扩展性方面优于直接去中心化模型，该结论通过多种配置下的基准测试得到验证。
• 客户端分组与协议级优化显著降低了通信与计算开销，尤其在基于 MWEM 的合成数据生成工作负载中效果显著。
• 实证评估证实，Libertas 同时支持输入隐私与输出隐私，使无需可信中心的高影响力应用（如合成数据生成）成为可能。