基于同态加密的高效隐私保留统计分析框架——PP-STAT
密码学与安全
2025-10-07 v3
摘要
随着云计算的广泛采用，向第三方平台 outsourcing 统计分析的需求正在迅速增长。然而，在云环境中处理医疗记录和金融信息等敏感数据会引发严重的隐私问题。本文提出了一种 novel 且高效的基于同态加密（HE）的隐私保留统计分析框架——PP-STAT。HE允许在不透露底层明文的情况下直接对加密数据执行计算。PP-STAT支持包括Z-score归一化、偏度、峰度、变异系数和Pearson相关系数在内的多种高级统计量，全部在加密数据上进行安全计算。为提高效率，PP-STAT引入了两种关键优化措施：(1)基于切比雪夫的近似策略，用于初始化平方根倒数运算；(2)预归一化缩放技术，通过将常量缩放因子折叠到均值和方差计算中，降低乘法深度。这些技术显著降低了计算开销，最小化昂贵的bootstrap程序的数量。我们在真实数据集上的评估表明，PP-STAT实现了高数值精度，平均相对误差（MRE）低于2.4×10^-4。值得注意的是，加密后的smoker属性与charge之间的Pearson相关系数达到0.7873，MRE为2.86×10^-4。这些结果确认了PP-STAT在隐私敏感领域实现安全且精确统计分析的实际效用。
关键词
引用
@article{arxiv.2508.12093,
title = {PP-STAT: An Efficient Privacy-Preserving Statistical Analysis Framework using Homomorphic Encryption},
author = {Hyunmin Choi},
journal= {arXiv preprint arXiv:2508.12093},
year = {2025}
}
备注
Accepted to CIKM 2025 (Full Research Paper Track)