Libertas：面向去中心化个人数据存储的隐私保护集体计算

数据与数据处理已成为我们社会不可或缺的方面。从集体数据中提取的洞见为科学、社会研究与商业做出了宝贵贡献。但人们对隐私问题与数据滥用的担忧日益增加。这促使了如 Solid 等去中心化个人数据存储（PDS）的出现，赋予个人对其个人数据的更多控制。然而，现有 PDS 框架在执行来自多用户的集体计算时面临确保数据隐私的挑战。虽然安全多方计算（MPC）在计算过程中提供输入保密性且不依赖任何一方，但在 PDS 语境中直接应用 MPC 会出现问题，特别是由于自治与去中心化等关键因素。在本工作中，我们讨论该问题的本质，确定一种潜在解决方案，并引入模块化架构 Libertas，以在无需协议层更改的情况下将 MPC 与如 Solid 的 PDS 集成。我们引入从“全知”视图到基于个体、以用户为中心的可信与安全视图的范式转变，并讨论 Libertas 的威胁模型。两个用于协作数据处理的现实用例被用于评估，包括技术可行性与经验基准，凸显其在赋能零工工作者和生成差分隐私合成数据方面的有效性。我们的实验结果强调 Libertas 的线性可扩展性，并提供关于计算优化的宝贵洞见，从而推进隐私保护数据处理实践的最先进水平。通过为在协作数据处理环境中维持个体自治与隐私提供实用方案，Libertas 对数据驱动决策语境中隐私保护的持续讨论作出显著贡献。