IDCloak：面向纵向隐私保护机器学习的实用安全多方数据集连接框架
密码学与安全
2025-06-03 v1
摘要
纵向隐私保护机器学习（vPPML）使多方能够在其纵向分布的数据集上训练模型，同时保持数据集的隐私性。在 vPPML 中，执行安全数据集连接至关重要，该步骤对齐跨数据集中对应于交集 ID 的特征，并形成秘密共享的联合训练数据集。然而，现有的此步骤方法可能并不实用，原因在于：(1) 当它们暴露交集 ID 时不安全；或 (2) 它们依赖于需要非串谋辅助服务器的强信任假设；或 (3) 它们仅限于两方设置。本文提出了 IDCloak，这是首个面向 vPPML 的实用安全多方数据集连接框架，无需非串谋辅助服务器即可保持 ID 的隐私性。IDCloak 包含两个协议：(1) 基于电路的多方私有集合交集协议（cmPSI），它通过结合 OKVS 和 OPRF 的优化通信结构获取指示交集 ID 的秘密共享标志；(2) 安全多方特征对齐协议，它使用秘密共享标志，通过我们提出的高效安全洗牌协议获取秘密共享的联合数据集。实验表明：(1) 与最先进的安全两方数据集连接框架（iPrivjoin）相比，IDCloak 在两方设置中展现出更高的效率，并且在参与方数量增加时具有可比的性能；(2) 与诚实多数假设下最先进的 cmPSI 协议相比，我们提出的 cmPSI 协议提供了更强的安全保证（不诚实多数），同时在时间上提高了高达 ，在通信量上提高了 ；(3) 我们提出的安全洗牌协议在时间上优于最先进的洗牌协议高达 ，在通信量上高达 。
引用
@article{arxiv.2506.01072,
title = {IDCloak: A Practical Secure Multi-party Dataset Join Framework for Vertical Privacy-preserving Machine Learning},
author = {Shuyu Chen and Guopeng Lin and Haoyu Niu and Lushan Song and Chengxun Hong and Weili Han},
journal= {arXiv preprint arXiv:2506.01072},
year = {2025}
}