Piquant$\varepsilon$：基于两个服务器模型的私有分位数估计
密码学与安全
2025-09-18 v1
摘要
分位数在分布式分析中起着关键作用，但对敏感数据进行计算会存在隐私风险。局部差分隐私 (LDP) 能提供强大的隐私保护，但准确率低于中心差分隐私 (central DP)，后者假设存在受信任的聚合器。安全多方计算 (MPC) 可在此之间架起桥梁，但通用 MPC 解决方案因大规模域、复杂的安全操作和多轮交互而面临可扩展性挑战。我们提出 Piquant，一个在无需依赖受信任服务器的分布式环境下进行多分位数估计的隐私保护系统。Piquant 采用恶意威胁模型，实现中央 DP 模型的准确率。基于两个服务器模型，Piquant 使用一种新颖策略，即释放精心选取的中间统计信息，从而降低 MPC 的复杂性，同时保持端到端 DP。实验结果表明，Piquant 在 10^6 条记录、域大小为 的情况下，约 1 分钟内即可估计 5 个分位数，其准确率比 LDP 提高最高可达 倍，运行时效比基线快约 。
引用
@article{arxiv.2509.14035,
title = {Piquant$\varepsilon$: Private Quantile Estimation in the Two-Server Model},
author = {Hannah Keller and Jacob Imola and Fabrizio Boninsegna and Rasmus Pagh and Amrita Roy Chowdhury},
journal= {arXiv preprint arXiv:2509.14035},
year = {2025}
}
备注
30 Pages, 19 Figures, 1 Table