使具有强保证的隐私保护联邦图分析变得实用（针对特定查询）
密码学与安全
2024-04-03 v1 社会与信息网络
摘要
隐私保护联邦图分析是一个新兴的研究领域。目标是在一组组织成图的设备上运行图分析查询，同时将原始数据保留在设备上而不是集中化。此外，除最终查询结果外，任何实体不得学习任何新信息。例如，设备不得学习邻居的数据。针对此问题，现有最先进工作在设备可能为恶意的强威胁模型下为广泛查询提供隐私保证。然而，它带来了不切实际的开销：每个设备本地每次查询需要超过8.79小时的CPU时间和5.73 GiB的网络传输。本文提出Colo，一种新的低成本隐私保护联邦图分析系统，针对特定查询子集，仅需几分钟的CPU时间和几MiB的网络传输。Colo的核心是一种新的安全计算协议，使设备能够安全高效地评估其局部邻域中的图查询，同时隐藏设备数据、边数据和拓扑数据。Colo的实现和评估表明，在100万设备群体上运行各种COVID-19查询时，它需要不到8.4分钟的CPU时间和4.93 MiB的网络传输——改进高达三个数量级。
引用
@article{arxiv.2404.01619,
title = {Making Privacy-preserving Federated Graph Analytics with Strong Guarantees Practical (for Certain Queries)},
author = {Kunlong Liu and Trinabh Gupta},
journal= {arXiv preprint arXiv:2404.01619},
year = {2024}
}
备注
to be published in SACMAT 2024