[论文解读] Multi-Party Privacy-Preserving Record Linkage using Bloom Filters

Dinusha Vatsalan, Peter Christen|arXiv (Cornell University)|Dec 28, 2016

Data Quality and Management参考文献 24被引用 6

一句话总结

该论文提出了一种可扩展的、隐私保护的多方记录关联协议，利用布隆过滤器和分布式安全求和来计算相似度得分，而无需暴露原始数据。该协议在半诚实模型下实现了高效的多方匹配，具有线性通信复杂度和强隐私保障，在大规模选民注册表上验证了高关联质量与低泄露风险。

ABSTRACT

Privacy-preserving record linkage (PPRL), the problem of identifying records that correspond to the same real-world entity across several data sources held by different parties without revealing any sensitive information about these records, is increasingly being required in many real-world application areas. Examples range from public health surveillance to crime and fraud detection, and national security. Various techniques have been developed to tackle the problem of PPRL, with the majority of them considering linking data from only two sources. However, in many real-world applications data from more than two sources need to be linked. In this paper we propose a viable solution for multi-party PPRL using two efficient privacy techniques: Bloom filter encoding and distributed secure summation. Our proposed protocol efficiently identifies matching sets of records held by all data sources that have a similarity above a certain minimum threshold. While being efficient, our protocol is also secure under the semi-honest adversary model in that no party can learn any sensitive information about any other parties' data, but all parties learn which of their records have a high similarity with records held by the other parties. We evaluate our protocol on a large real voter registration database showing the scalability, linkage quality, and privacy of our approach.

研究动机与目标

• 解决在超过两个数据源之间进行隐私保护记录关联（PPRL）的挑战，该需求在医疗保健、欺诈检测和国家安全部门日益迫切。
• 克服多方PPRL中的可扩展性瓶颈，即随着参与方数量增加，候选记录集数量呈指数级增长。
• 通过防止任何一方获取其他方数据的敏感信息，同时使所有参与方能够识别出高相似度记录集，来确保隐私。
• 通过布隆过滤器编码和安全求和，相比现有的两方或基线多方方法，提升效率并降低通信开销。

提出的方法

• 使用布隆过滤器对各方数据中的准标识符进行编码，实现在保护隐私的同时高效进行近似匹配。
• 应用分布式安全求和，以隐私保护方式计算所有各方布隆过滤器中1位的总数以及共同1位的总数。
• 利用总1位数和共同1位数计算记录集之间的Dice系数相似度，实现在不泄露个体数据的前提下进行近似匹配。
• 仅对相似度高于阈值的记录集进行比较，从而减少候选匹配数量，提升效率。
• 允许一个参与方（或外部实体）计算并分发相似度得分给所有参与方，从而最小化每方的本地计算和通信开销。
• 集成一个过滤步骤（MPAM-F），通过移除低质量匹配来减少误报，提升精确率，且性能损失可忽略。

实验结果

研究问题

• RQ1 当参与方数量超过两个时，如何使多方隐私保护记录关联实现可扩展？
• RQ2 布隆过滤器编码结合分布式安全求和是否能够实现在多方之间的准确且私密的相似度计算？
• RQ3 在多方PPRL环境中，数据损坏（如20%–40%修改）对关联质量有何影响？
• RQ4 参与方数量的增加对基于布隆过滤器的PPRL协议中的信息泄露风险有何影响？
• RQ5 所提出的协议在通信复杂度、隐私保护和关联准确率方面是否优于现有基线方法？

主要发现

• 所提出的协议在参与方数量上实现了线性通信复杂度，使其适用于大规模多方关联。
• 在NCVR-10,000数据集上，非损坏数据的F1值保持在0.9以上，表明关联质量优异。
• 在20%和40%数据损坏情况下，F1值显著下降，但过滤变体（MPAM-F）通过减少误报，使性能与MPAM保持相当。
• Lai等人提出的基线方法在损坏数据上表现较差，因其依赖精确匹配；而所提方法支持近似匹配。
• 信息泄露风险（通过DR指标衡量）随参与方数量增加而降低，因为更短的布隆过滤器片段导致更高的全局记录匹配数和更低的被怀疑概率。
• 在所提协议中，内存使用随参与方数量增加而减少，而通信和时间复杂度仅略有增加；相比之下，基线方法可扩展性差。