[论文解读] Privacy-Enhanced Methods for Comparing Compressed DNA Sequences

David Eppstein, Michael T. Goodrich+1 more|arXiv (Cornell University)|Jul 18, 2011

Cryptography and Data Security参考文献 31被引用 11

一句话总结

本文提出了一种增强隐私的协议，通过使用可逆布隆过滤器（IBF）对压缩的DNA序列进行比较，实现安全、高效的集合差分计算，通信复杂度与集合差分的大小成正比，而非完整序列的大小。该方法确保查询方获得信息理论隐私保护，数据所有者获得可量化的隐私保护，当差异数超过阈值时，可实现99%的置信度，确保数据所有者的序列保持隐藏。

ABSTRACT

In this paper, we study methods for improving the efficiency and privacy of compressed DNA sequence comparison computations, under various querying scenarios. For instance, one scenario involves a querier, Bob, who wants to test if his DNA string, $Q$, is close to a DNA string, $Y$, owned by a data owner, Alice, but Bob does not want to reveal $Q$ to Alice and Alice is willing to reveal $Y$ to Bob \emph{only if} it is close to $Q$. We describe a privacy-enhanced method for comparing two compressed DNA sequences, which can be used to achieve the goals of such a scenario. Our method involves a reduction to set differencing, and we describe a privacy-enhanced protocol for set differencing that achieves absolute privacy for Bob (in the information theoretic sense), and a quantifiable degree of privacy protection for Alice. One of the important features of our protocols, which makes them ideally suited to privacy-enhanced DNA sequence comparison problems, is that the communication complexity of our solutions is proportional to a threshold that bounds the cardinality of the set differences that are of interest, rather than the cardinality of the sets involved (which correlates to the length of the DNA sequences). Moreover, in our protocols, the querier, Bob, can easily compute the set difference only if its cardinality is close to or below a specified threshold.

研究动机与目标

• 为应对海量基因组数据规模和日益增长的隐私风险，解决隐私保护型基因组数据查询的迫切需求。
• 在不泄露疾病风险或种族等敏感信息的前提下，实现对压缩DNA序列的高效比较。
• 通过聚焦于集合差分而非完整序列，降低隐私保护型基因组查询中的通信与计算成本。
• 在基因组数据比较协议中，为查询方提供信息理论隐私保护，为数据所有者提供可量化的隐私保护。
• 整合算法效率、密码学与生物信息学，实现可扩展、安全的基因组数据处理。

提出的方法

• 该方法通过基因组序列的压缩表示，将DNA序列比较问题转化为集合差分问题。
• 采用可逆布隆过滤器（IBF）表示两个DNA序列之间的对称差，其大小与感兴趣阈值的基数成正比。
• 查询方构建一个包含2kτ个单元的IBF，其中k = ⌈log(τ/ε)⌉ + 1，以确保在τ范围内检测差异数时具有1−ε的置信度。
• 数据所有者使用IBF响应查询，仅揭示集合差分内容，若差异数超过阈值，则可保护其数据。
• 该协议确保，只有当对称差足够小时，查询方才可从IBF中恢复元素，从而保护隐私。
• 理论分析利用优惠券收集问题的界限来量化成功重构的概率，确保隐私保障达到99%的置信度。

实验结果

研究问题

• RQ1 能否设计一种隐私保护协议，用于比较压缩DNA序列，且通信复杂度与序列长度无关？
• RQ2 如何在为查询方提供信息理论隐私保护的同时，为数据所有者提供可量化的隐私保护？
• RQ3 为确保99%的置信度以防止数据所有者序列被重构，IBF所需的最小单元数和哈希函数数是多少？
• RQ4 当应用于包含数十亿个碱基对的基因组序列时，该协议在压缩表示中差异数量达数百万的情况下，其可扩展性如何？
• RQ5 该协议能否扩展以支持更复杂的基因组计算，同时保持隐私性和完整性？

主要发现

• 当阈值τ = 100且ε = 1/100时，查询方应使用15个哈希函数和一个包含3000个单元的IBF，与完整序列方法相比，显著降低了存储和通信开销。
• 在τ = 100且采用相同IBF配置的条件下，若与查询方序列的差异数超过3461，数据所有者可实现99%的隐私置信度。
• 通信成本与τ（最大可接受集合差异数）成正比，而非DNA序列的全长，从而实现良好的可扩展性。
• 理论分析表明，查询方成功重构的概率受到限制且随差异数量增加而降低，确保了强大的隐私保护。
• 该协议为查询方提供信息理论隐私保护，为数据所有者提供可量化的隐私保护，适用于现实世界的基因组数据应用。
• 该方法在基因组规模数据上高效且实用，即使在高置信度隐私保障下，也仅需极小的IBF尺寸。