[论文解读] Privacy Preserving Randomized Gossip Algorithms

Filip Hanzely, Jakub Konečný+3 more|arXiv (Cornell University)|Jun 23, 2017

Distributed Control Multi-Agent Systems参考文献 44被引用 16

一句话总结

本文提出了三种新颖的随机化gossip算法，通过削弱值查询访问或在迭代过程中注入受控噪声，实现了在分布式平均一致性计算中的隐私保护。这些方法在确保收敛至真实平均值的同时，显著降低了推断初始私有值的风险，具备理论收敛速率，并在多种网络拓扑结构上得到了实验验证。

ABSTRACT

In this work we present three different randomized gossip algorithms for solving the average consensus problem while at the same time protecting the information about the initial private values stored at the nodes. We give iteration complexity bounds for all methods, and perform extensive numerical experiments.

研究动机与目标

• 为解决在分布式平均一致性协议中保护初始私有值的挑战。
• 设计gossip算法，防止节点获取关于他人初始值的敏感信息。
• 在通过算法修改增强隐私的同时，保持对真实平均值的收敛。
• 提供理论收敛速率，并在常见网络拓扑结构上进行实证验证。

提出的方法

• 提出一种私有化的随机成对gossip算法变体，将信息交换限制为关于邻居节点值的分类或二值响应。
• 提出一种噪声注入机制，即在迭代过程中添加随机噪声并逐步撤除，以掩盖初始值。
• 为每个节点使用衰减率参数 φi 控制噪声撤除速率，确保收敛至平均值。
• 采用理论框架推导依赖于网络结构和噪声参数的收敛速率。
• 将方法应用于环形图和随机几何图，比较在不同噪声衰减速率下的性能表现。
• 使用噪声查询器，根据节点度数和网络拓扑动态调整噪声水平。

实验结果

研究问题

• RQ1 如何修改随机化gossip算法，以保护分布式平均一致性中初始值的隐私？
• RQ2 受控噪声注入对收敛速度和隐私保护的影响是什么？
• RQ3 能否通过限制值查询器返回的信息来增强隐私，同时不牺牲收敛性？
• RQ4 在隐私与收敛速度之间实现平衡的最优噪声衰减率是什么？
• RQ5 与均匀衰减相比，节点特定的噪声衰减（φi）如何影响性能？

主要发现

• 所提出的私有gossip算法在收敛至真实平均一致性值的同时，显著降低了推断初始私有值的风险。
• 通过节点特定的衰减率 φi 进行噪声注入，可在不降低收敛性能的前提下允许更高的总体噪声水平，从而提升隐私保护能力。
• 当 φi 按照推论12选择时，实际收敛速率与理论预测高度吻合。
• φi 值的直方图显示，大多数节点可承受高于最低要求的噪声水平，从而实现更强的隐私保护。
• 在随机几何图中，采用自适应 φi 的方法在收敛速度和抗噪能力方面均优于均匀衰减。
• 推导出理论收敛速率，并通过实证验证表明，在 φi 超过临界阈值后，噪声主导的收敛区域将出现。