[论文解读] Optimal Accuracy-Privacy Trade-Off for Secure Multi-Party Computations

Patrick Ah-Fat, Michael Huth|arXiv (Cornell University)|Mar 1, 2018

Cryptography and Data Security参考文献 22被引用 5

一句话总结

本文提出了一种新颖的框架，通过引入虚拟输入的函数替换，优化安全多方计算（SMC）中输出准确率与输入隐私之间的权衡。该框架将熵度量推广以量化信息泄露，将隐私与失真之间的平衡形式化为非线性优化问题，并在实验中展示了在可控输出误差下实现显著的隐私增益。

ABSTRACT

The purpose of Secure Multi-Party Computation is to enable protocol participants to compute a public function of their private inputs while keeping their inputs secret, without resorting to any trusted third party. However, opening the public output of such computations inevitably reveals some information about the private inputs. We propose a measure generalising both Renyi entropy and g-entropy so as to quantify this information leakage. In order to control and restrain such information flows, we introduce the notion of function substitution which replaces the computation of a function that reveals sensitive information with that of an approximate function. We exhibit theoretical bounds for the privacy gains that this approach provides and experimentally show that this enhances the confidentiality of the inputs while controlling the distortion of computed output values. Finally, we investigate the inherent compromise between accuracy of computation and privacy of inputs and we demonstrate how to realise such optimal trade-offs.

研究动机与目标

• 解决SMC中固有的信息泄露问题，即输出会间接泄露关于私有输入的信息。
• 利用统一包含Rényi熵和g-熵的广义熵模型，量化并控制此类泄露。
• 提出一种通过虚拟输入实现函数替换的方法，以减少隐私泄露，同时保持可接受的输出失真。
• 将准确率-隐私权衡形式化为非线性优化问题，并针对实际函数类高效求解。
• 证明在有界失真下，加法近似可实现显著的隐私改进。

提出的方法

• 使用一族函数推广条件熵，统一Rényi熵、最小熵和g-泄漏，用于信息流量化。
• 引入虚拟输入——从分布πΦ中随机抽取的输入——以扭曲原始函数f为f′，从而减少信息泄露。
• 将隐私-准确率权衡形式化为非线性优化问题，以最大化隐私（通过熵）并约束输出失真。
• 使用加法近似将f′建模为f + δ，从而实现可计算的优化与实际部署。
• 使用数值方法求解优化问题，并在多种熵类型和函数类上验证该方法。
• 提出适用于SMC的协议，通过协作或可信第三方安全生成虚拟输入。

实验结果

研究问题

• RQ1 如何在标准SMC安全模型之外，形式化量化SMC中的信息泄露？
• RQ2 通过使用虚拟输入的函数替换，理论上可实现多大的隐私增益？
• RQ3 在实践中，如何最优地平衡输出准确率与输入隐私？
• RQ4 哪些函数类和熵度量允许高效优化隐私-准确率权衡？
• RQ5 在真实SMC应用（如医疗数据处理）中，使用虚拟输入的实际影响是什么？

主要发现

• 所提出的广义熵框架统一了Rényi熵、最小熵和g-泄漏，实现了信息流的一致量化。
• 通过虚拟输入实现的函数替换显著减少了信息泄露，且无需修改底层SMC协议。
• 优化框架成功平衡了隐私与准确率，在有界失真下实现了显著的隐私增益。
• 加法近似使得最优虚拟输入分布的高效计算成为可能，实验结果表明隐私性能显著提升。
• 该方法适用于向量值函数，并可适应攻击者集合未知或多目标隐私需求的场景。
• 虚拟输入的生成可通过SMC安全计算，或外包给可信权威机构，从而在实践中保持数据隐私。