差分隐私安全采样协议基准测试

差分隐私（DP）被广泛用于通过限制聚合数据的信息泄露来保护个人隐私。DP有两个著名的模型：中心模型和本地模型。前者需要一个可信的服务器进行数据聚合，而后者要求个体添加噪声，这显著降低了数据的效用。近年来，许多研究提出在分布式环境中利用安全多方计算（MPC）实现DP，即分布式模型，其效用与中心模型相当，同时在特定安全假设下，防止各方获取他人的信息。在分布式模型中实现DP的一个挑战是高效地采样噪声。尽管已经提出了许多安全采样方法，但它们具有不同的安全假设和孤立的理论分析，缺乏衡量和比较其性能的实验评估。我们通过基准测试MPC中现有的采样协议并对其效率进行全面测量来填补这一空白。首先，我们提出了MPC中现有采样协议的底层技术分类。其次，我们扩展了广泛使用的分布式噪声生成协议，使其能够抵御拜占庭攻击者。第三，我们实现了离散采样协议，并统一了其安全设置以进行公平比较。最后，我们进行了广泛的评估以研究其效率和效用。