[论文解读] Secure Multi-User Linearly-Separable Distributed Computing

Amir Masoud Jafarpisheh, Ali Khalesi+1 more|arXiv (Cornell University)|Feb 2, 2026

Stochastic Gradient Optimization Techniques被引用 0

一句话总结

该论文为多用户线性可分分布式计算提供信息论上的安全性保证，通过刻画必要且充分的安全条件并提出一种通用、在解码中加入空域随机性的成本保持型安全变换来增强解码。

ABSTRACT

The introduction of the new multi-user linearly-separable distributed computing framework, has recently revealed how a parallel treatment of users can yield large parallelization gains with relatively low computation and communication costs. These gains stem from a new approach that converts the computing problem into a sparse matrix factorization problem; a matrix $F$ that describes the users' requests, is decomposed as \(F = DE\), where a \(γ\)-sparse \(E\) defines the task allocation across $N$ servers, and a \(δ\)-sparse \(D\) defines the connectivity between \(N\) servers and \(K\) users as well as the decoding process. While this approach provides near-optimal performance, its linear nature has raised data secrecy concerns. We here adopt an information-theoretic secrecy framework, seeking guarantees that each user can learn nothing more than its own requested function. In this context, our main result provides two necessary and sufficient secrecy criteria; (i) for each user \(k\) who observes $α_k$ server responses, the common randomness visible to that user must span a subspace of dimension exactly $α_k-1$, and (ii) for each user, removing from \(\mathbf{D}\) the columns corresponding to the servers it observes must leave a matrix of rank at least \(K-1\). With these conditions in place, we design a general scheme -- that applies to finite and non-finite fields alike -- which is based on appending to \(\mathbf{E}\) a basis of \(\mathrm{Null}(\mathbf{D})\) and by carefully injecting shared randomness. In many cases, this entails no additional costs. The scheme, while maintaining performance, guarantees perfect information-theoretic secrecy in the case of finite fields, while in the real case, the conditions yield an explicit mutual-information bound that can be made arbitrarily small by increasing the variance of Gaussian common randomness.

研究动机与目标

• 在跨领域数据分析中激发对安全的多用户线性可分分布式计算的兴趣。
• 刻画在线性可分框架下何时可以保证数据保密。
• 提出一种通用、成本保持型方案，以实现对任何可容许分解 F = DE 的保密性。
• 就保密性与解码结构、以及常用随机性之间的关系提供实际指南。

提出的方法

• 将问题建模为矩阵分解 F = DE，其中 E 编码服务器任务，D 编码服务器到用户的连接性。
• 将每个用户的保密性表述为关于公共随机变量 C 与与每个用户相关的解码子矩阵的秩/空间条件。
• 提出一种通用的保密增强变换：在 D 的空域基向量追加到 E，并注入共享随机性。
• 给出在 GF(q) 与 R 上适用的必要且充分的保密条件；在实数情形给出高斯泄漏界。
• 给出一种可实现的方案，在识别出的条件下保持正确性与成本不增，同时实现保密性。

实验结果

研究问题

• RQ1 在多用户线性可分分布式计算方案中，解码矩阵 D 的哪些结构性条件能确保每个用户的信息保密性？
• RQ2 如何在不增加计算或通信成本的前提下，将任意可容许分解 F = DE 转换为安全方案？
• RQ3 在所提出框架下的确切保密性保证（GF(q) 下零泄漏，R 下有界泄漏）是什么？
• RQ4 每个用户观测到的响应如何影响所需的随机性和可实现的泄漏界限？

主要发现

• 当且仅当去除该用户观测列后的剩余解码矩阵的秩满足条件时，k 用户的保密性成立：Rank(D ing) >= K-1。
• 在 GF(q) 上，保密性为完全零泄漏；在 R 上，可以通过增大高斯型公共随机变量的方差来使互信息泄漏界尽可能小。
• 存在一种通用、成本保持的变换：将 Null(D) 的基追加到 E，并沿着这些空方向注入公共随机性；此举保持正确性与成本。
• 关于通信成本 delta 的通用对偶定理表明若 delta > 1 - (K-1)/N，则无法实现保密性，将保密性与通信-计算权衡联系起来。
• 该方案适用于有限域和无限域，基于 Null(D) 增强与共享随机性的结构化方法。