移动图上隐私保护的流行病学建模

最近的 COVID-19 大流行促使世界各国政府采取各种遏制措施来控制其传播，例如接触者追踪、社交距离规定和宵禁。流行病学模拟通常用于在政策实施前评估其影响。遗憾的是，相关经验数据（特别是详细的社交接触图）的匮乏损害了它们的预测准确性。由于此类数据本质上涉及隐私关键问题，亟需一种方法，能在真实世界接触图上执行有力的流行病学模拟，同时不泄露任何敏感信息。在这项工作中，我们提出 RIPPLE，一种隐私保护的流行病学建模框架，能够在人群真实接触图上启用标准的传染病模型，同时将所有接触信息保留在参与者的本地设备上。作为一个具有独立意义的构建模块，我们提出 PIR-SUM，一种对私有信息检索（private information retrieval）的新颖扩展，用于安全下载数据库中的元素和。我们的协议得到了概念验证实现的支持，演示了在超过五十万参与者上完成的为期两周的模拟在 7 分钟内结束，每位参与者通信量少于 50 KB。