[论文解读] REAP: An Efficient Incentive Mechanism for Reconciling Aggregation Accuracy and Individual Privacy in Crowdsensing

Zhikun Zhang, Shibo He+2 more|arXiv (Cornell University)|Nov 2, 2017

Privacy-Preserving Technologies in Data参考文献 30被引用 6

一句话总结

本文提出 REAP，一种基于合同的激励机制，通过使汇聚中心（FC）能够通过定制合同直接控制参与用户（PUs）来调和众包感知中数据聚合精度与个体隐私之间的矛盾。利用微差隐私量化隐私偏好，并在预算约束下进行优化，REAP 通过在完全信息和不完全信息设置下采用闭式合同，激励 PUs 减少噪声，同时考虑异构隐私偏好，从而在精度上优于以往机制。

ABSTRACT

Incentive mechanism plays a critical role in privacy-aware crowdsensing. Most previous studies on co-design of incentive mechanism and privacy preservation assume a trustworthy fusion center (FC). Very recent work has taken steps to relax the assumption on trustworthy FC and allows participatory users (PUs) to add well calibrated noise to their raw sensing data before reporting them, whereas the focus is on the equilibrium behavior of data subjects with binary data. Making a paradigm shift, this paper aim to quantify the privacy compensation for continuous data sensing while allowing FC to directly control PUs. There are two conflicting objectives in such scenario: FC desires better quality data in order to achieve higher aggregation accuracy whereas PUs prefer adding larger noise for higher privacy-preserving levels (PPLs). To achieve a good balance therein, we design an efficient incentive mechanism to REconcile FC's Aggregation accuracy and individual PU's data Privacy (REAP). Specifically, we adopt the celebrated notion of differential privacy to measure PUs' PPLs and quantify their impacts on FC's aggregation accuracy. Then, appealing to Contract Theory, we design an incentive mechanism to maximize FC's aggregation accuracy under a given budget. The proposed incentive mechanism offers different contracts to PUs with different privacy preferences, by which FC can directly control PUs. It can further overcome the information asymmetry, i.e., the FC typically does not know each PU's precise privacy preference. We derive closed-form solutions for the optimal contracts in both complete information and incomplete information scenarios. Further, the results are generalized to the continuous case where PUs' privacy preferences take values in a continuous domain. Extensive simulations are provided to validate the feasibility and advantages of our proposed incentive mechanism.

研究动机与目标

• 解决汇聚中心（FC）对高质量数据的需求与参与用户（PUs）对强隐私保护愿望之间的冲突。
• 设计一种激励机制，使 FC 即使在不了解个体隐私偏好信息的情况下，也能直接控制 PUs 的隐私水平。
• 使用微差隐私和 $(\alpha,\delta)$-精度量化个体隐私水平（PPLs）与聚合精度之间的权衡。
• 开发一种可扩展的、预算受限的机制，根据 PUs 的隐私偏好最优补偿其参与，即使这些偏好对 FC 未知。
• 将机制推广至连续隐私偏好领域，以支持在实际系统中的部署。

提出的方法

• 使用微差隐私形式化隐私-精度权衡，以衡量个体 PUs 的隐私水平（PPLs），并使用 $(\alpha,\delta)$-精度量化聚合性能。
• 应用合同理论设计一组最优合同，每份合同为每类 PUs 指定一个 PPL 水平 $\epsilon_j$ 和相应支付 $p_j$。
• 推导出在完全信息与不完全信息场景下最优合同的闭式解，以确保激励相容性和个体理性。
• 确保 $\epsilon_j$ 随 PUs 类型单调递增，以防止对隐私偏好的策略性误报。
• 通过在连续类型空间上的积分与优化，将离散类型模型推广至连续隐私偏好领域。
• 使用仿真验证机制在不同预算和 PUs 类型数量下的可行性、性能与鲁棒性。

实验结果

研究问题

• RQ1 当不假设 FC 可信时，FC 如何高效平衡众包感知中的聚合精度与个体隐私？
• RQ2 PU 的隐私偏好与其在 FC 处获得的聚合精度之间存在何种定量关系？
• RQ3 如何设计激励机制，以在信息不对称的情况下诱导隐私偏好真实报告？
• RQ4 在固定预算下，给定异构隐私偏好，何种合同结构可最大化聚合精度？
• RQ5 机制性能如何随 PUs 类型数量和可用预算的变化而变化？

主要发现

• 所提出的 REAP 机制通过使 FC 能够通过优化合同直接控制 PUs，实现了比基线机制更高的聚合精度。
• 在完全信息下，最优合同确保最高类型 PUs 的效用为零，而较低类型 PUs 的效用严格为正，满足个体理性和激励相容性。
• 在不完全信息场景下，最优合同通过确保每个 PUs 仅在选择与其真实类型对应的合同时最大化自身效用，维持了激励相容性。
• 随着预算增加，聚合精度提升，因为更大的预算使 FC 能够提供更高支付以激励更低噪声水平（更高 PPLs）。
• 随着 PUs 类型数量增加，聚合精度下降，因为为满足激励相容约束所需支付的额外成本更高。
• 仿真结果证实机制具有可行性与鲁棒性，且在不同预算和类型配置下均验证了单调性与激励相容性。