由高效基因组映射算法赋能的全程隐私保护搜索引擎

自90年代以来，基于关键词的搜索引擎一直帮助人们通过简单查询定位相关网络内容，近期基于全文的搜索引擎主要用于文章上传后的查重检测。然而，这些“免费”或付费服务通过存储用户搜索查询与偏好来进行用户画像和定向广告投放，而用户上传的文章还可作为不断扩充的数据库的一部分进一步使服务提供商获利。简言之，过去数十年中搜索引擎隐私并非网络探索的可选项。本文中我们证明，以整篇文章作为查询的数据库或互联网搜索，可通过不可逆编码方案和通常用于基因组NGS的高效FM-index搜索例程，在不泄露用户敏感查询的情况下正确执行。在我们的方案Sapiens Aperio Veritas Engine（S.A.V.E.）中，查询中的每个词在用户本地机器被编码为构成伪生物序列（PBS）的12种“氨基酸”（a.a.）之一。PBS介导的查重检测通过用户提交本地编码的PBS至我们的云服务来完成，以在已用与查询相同方式编码的采集网络内容中定位完全相同的副本。研究发现，长度大于12 a.a.的PBS能以<0.8%的假阳性率返回正确结果。S.A.V.E.运行速度与Bowtie相当，且比BLAST快4个数量级。S.A.V.E.在常规与隐私搜索模式下均可运行，为压缩搜索空间中的高效互联网搜索与查重检测提供了新选项，且无从存储和泄露用户机密内容。我们期望未来隐私感知的搜索引擎可参考本文提出的思路。S.A.V.E.可通过 https://dyn.life.nthu.edu.tw/SAVE/ 获取。