联邦分析赋能的去中心化 Web 3.0 应用频繁模式挖掘
分布式、并行与集群计算
2024-02-16 v1 密码学与安全
摘要
新兴的 Web 3.0 范式旨在去中心化现有的网络服务，实现透明度、激励机制和隐私保护等理想属性。然而，当前由区块链基础设施支持的 Web 3.0 应用仍无法以可扩展且保护隐私的方式支持复杂的数据分析任务。本文将新兴的联邦分析（FA）范式引入 Web 3.0 服务领域，使数据能够保留在本地，同时以保护隐私的方式为复杂的网络分析任务做出贡献。我们提出了 FedWeb，这是一种专为 Web 3.0 中重要的频繁模式挖掘任务定制的 FA 设计。FedWeb 基于一种新颖的分布式差分隐私技术，显著减少了支持隐私保护型 Web 3.0 数据分析所需的参与数据所有者数量。挖掘结果的正确性由基于霍夫丁不等式和切比雪夫不等式的理论严格候选过滤方案保证。我们提出了两种响应预算节省方案，以进一步减少参与的数据所有者。在三个代表性 Web 3.0 场景上的实验表明，FedWeb 可将数据效用提高约 25.3%，并将参与的数据所有者减少约 98.4%。
引用
@article{arxiv.2402.09736,
title = {Federated Analytics-Empowered Frequent Pattern Mining for Decentralized Web 3.0 Applications},
author = {Zibo Wang and Yifei Zhu and Dan Wang and Zhu Han},
journal= {arXiv preprint arXiv:2402.09736},
year = {2024}
}
备注
Accepted by IEEE International Conference on Computer Communications (INFOCOM'24)