基于格密码的计算差分隐私
密码学与安全
2017-12-05 v4
摘要
大规模数据分析的新兴技术对敏感用户数据的安全与隐私提出了新的挑战。在本工作中，我们研究了在分布式和半诚实模型下时间序列数据的隐私统计分析问题。特别地，我们研究了由 Shi 等人于 2017 年首次提出的私有流聚合（PSA）的一些性质。这是一种用于在分布式网络中收集和聚合数据的计算安全协议，且具有极小的通信开销。在非自适应查询模型中，正如 Valovich 2017 所示，安全的 PSA 方案可以建立在任何密钥同态弱伪随机函数之上，从而在标准模型中产生安全性保证，这与 Shi 等人的工作形成对比。我们证明，每一个保持 -差分隐私的机制在通过安全的 PSA 方案执行时，实际上都保持了计算性的 -差分隐私。此外，我们引入了一种基于对称 Skellam 分布的新型扰动机制，该机制适用于在分布式环境中保持差分隐私，并发现其在隐私和准确性方面的性能与以前的解决方案相当。另一方面，我们利用其特定属性，为分布式模型中的差分隐私时间序列数据分析构建了一种计算高效的预期后量子协议。该协议的安全性基于判定性带误差学习（DLWE）问题的一种新变体的困难性。在该变体中，误差取自对称 Skellam 分布。我们证明，基于误差取自离散高斯分布的标准带误差学习（LWE）问题的困难性，这一新变体是困难的。因此，我们提供了一个困难的 LWE 问题变体……
引用
@article{arxiv.1710.02036,
title = {Computational Differential Privacy from Lattice-based Cryptography},
author = {Filipp Valovich and Francesco Aldà},
journal= {arXiv preprint arXiv:1710.02036},
year = {2017}
}
备注
arXiv admin note: substantial text overlap with arXiv:1507.08071