从任务调优到隐私保护众包平台中的任务分配
密码学与安全
2020-07-13 v1 计算机与社会
数据库
分布式、并行与集群计算
人机交互
摘要
众包平台的专门化工作者档案可能包含大量可识别且可能敏感的个人信息(如个人偏好、技能、可用时段、可用设备),引发强烈的隐私担忧。这促成了隐私保护众包平台的设计,其旨在即便平台并非完全可信时也能提供强隐私保证并支持高效的众包流程。本文提出两项贡献。首先,我们提出PKD算法,旨在支持隐私保护众包平台中工作者档案的多种聚合用途。PKD算法结合同态加密与差分隐私,用于计算实际工作者群体技能多维空间的(扰动)划分以及每划分的(扰动)COUNT。其次,我们提议利用私有信息检索(PIR)技术的近期进展,设计一种既隐私又负担得起的解决方案以进行任务分配。我们深入研究使用PIR技术向工作者推荐任务的问题,证明其为NP-Hard,并提出PKD PIR Packing启发式方法,依据PKD算法输出的划分将任务分组。简而言之,我们设计了PKD算法与PKD PIR Packing启发式方法,形式化证明其对诚实但好奇的工作者和/或平台的安全性,分析其复杂度,并通过在合成与真实数据集上的广泛实验评估展示其在真实场景中的质量与可负担性。
引用
@article{arxiv.2007.05373,
title = {From Task Tuning to Task Assignment in Privacy-Preserving Crowdsourcing Platforms},
author = {Joris Duguépéroux and Tristan Allard},
journal= {arXiv preprint arXiv:2007.05373},
year = {2020}
}