抗对手学习型布隆过滤器
密码学与安全
2025-09-03 v6 数据结构与算法
摘要
学习型布隆过滤器 (LBF) 将经典布隆过滤器 (CBF) 与学习模型结合，以在实现目标误报率 (FPR) 的同时，减少表示给定集合所需的内存。针对对适应性对手进行可证明的安全性已针对 CBF 进行研究，但针对 LBF 进行研究不足。本文填补了这一差距，展示了如何为 LBF 实现适应性安全。在 particular，我们定义了捕获不同程度对抗控制的适应性安全性概念，包括完全适应性和部分适应性，除了 LBF 扩展的现有对手模型，如 Always-Bet 和 Bet-or-Pass 概念。我们提出两种安全 LBF 构造方法，PRP-LBF 和 Cuckoo-LBF，并在这些模型下对其安全性进行形式化证明，前提是存在单向函数。根据我们的分析和用例评估，我们的构造在保持竞争性 FPR 和内存开销的同时，实现了强大的安全性保证。
引用
@article{arxiv.2409.06556,
title = {Adversary Resilient Learned Bloom Filters},
author = {Ghada Almashaqbeh and Allison Bishop and Hayder Tirmazi},
journal= {arXiv preprint arXiv:2409.06556},
year = {2025}
}