FIAT：面向无信任跨境数据流的细粒度信息审计

在跨境数据流中审计潜在敏感特征的信息泄露已引起全球数字监管者的充分关注。然而，由于两项技术挑战，尚缺乏用于审计实践的技术方法。首先，缺乏用于度量数据集中敏感潜在特征信息的理论与工具。其次，跨境数据流涉及利益多样的多方参与者，这意味着审计必须是无信任的。尽管在保护数据隐私方面已作出巨大努力，但一个长期被忽视的重要问题是：数据流中传输的数据可能泄露数据中未显式包含的其他受监管信息，从而导致未被察觉的信息泄露风险。为在实际数据传输前可信地揭示此类风险，我们提出 FIAT，一种面向无信任跨境数据流的细粒度信息审计（Fine-grained Information Audit for Trustless transborder data flow）系统。在 FIAT 中，我们采用学习方法量化信息泄露量，同时应用零知识证明与智能合约技术提供可信且保护隐私的审计结果。实验表明，大量信息泄露可利用简单机器学习模型提升未涉及信息的可预测性，揭示了信息审计的重要性。进一步的性能基准测试也验证了 FIAT 审计系统的效率与可扩展性。